Python 正则 RE
动机
- 文本处理已经成为计算机的常见工作之一
- 对文本内容的搜索，定位，提取是逻辑比较复杂的
- 为了快速方便的解决上述问题，产生了正则表达式 技术。
定义 ：
即文本的高级匹配模式，提供搜索，替代等 功能。本质是由一系列特殊符号和字符组成 的字串，这个字串即是正则表达式。这个表达式描述了字符和字符的重复行为，可以匹 配一类特征的字符串。
目标：
- 熟练掌握正则表达式符号
- 能够编写一定程度的正则表达式和理解较难的正则
- 能够使用python 操作正则表达式
特点：
- 方便进行检索修改的文本操作
- 支持语言众多
- 使用灵活多样
python ----》 re模块 处理正则表达式
- re.findall(pattern,string)
功能：使用正则表达式匹配字符串
参数：pattern 正则表达式
string 目标字符串
返回值：返回一个列表，列表中为匹配到的内容
元字符 （即正则表达式中有特殊含义的符号）
-
普通字符
-
元字符 ：
a b c -
匹配规则：匹配相应的字符
-
例子：
re.findall('abc',"abcdefgabcdab") ['abc', 'abc'] re.findall('你好',"小平，你好") ['你好']
-
-
或
-
元字符
| -
匹配规则：匹配 | 两边任意一个正则表达式的内容
-
例子：
re.findall('ab|cd','abcdefgabasdfcd') ['ab', 'cd', 'ab', 'cd'] * |左右不要加没用的空格
-
-
匹配单一字符
-
元字符 ：
.#代表所有单一字符，通配符 -
匹配规则：匹配除换行外的任意字符
-
例子：
In [13]: re.findall('f.o','foo is not fao') Out[13]: ['foo', 'fao']
-
-
匹配开始位置
-
元字符 ：
^ -
匹配规则：匹配字符串的开头位置
-
例子：
In [16]: re.findall('^hello','hello world') Out[16]: ['hello']
-
-
匹配结束位置
-
元字符 ：
$ -
匹配规则： 匹配目标字符串的结束位置
-
例子：
In [18]: re.findall('py$','hello.py') Out[18]: ['py']
-
-
匹配重复
-
元字符：
* -
匹配规则： 匹配前面的正则表达式0次或多次
-
例子：
In [21]: re.findall('ab*','ababbbcadfsdf') Out[21]: ['ab', 'abbb', 'a']
-
-
匹配重复
-
匹配重复
-
元字符 ：
？ -
匹配规则： 匹配前面的正则表达式0次或1次
-
例子：
In [24]: re.findall('ab?','ablkasdjfabbbbb') Out[24]: ['ab', 'a', 'ab']
-
-
匹配重复
-
元字符 ：
｛n｝ -
匹配规则： 匹配指定的重复次数
-
例子：
In [26]: re.findall('ab{3}','abbbbbbbbb') Out[26]: ['abbb']
-
-
匹配重复
-
元字符：
｛m，n｝ -
匹配规则：匹配前面的正则表达式m-n次
-
例子：
In [28]: re.findall('ab{2,4}','absadfeaabbb') Out[28]: ['abbb']
-
-
匹配字符集合
-
元字符：
[字符集] -
匹配规则：匹配括号内的任意一个字符
-
例子：
In [31]: re.findall('[_0-9a-zA-Z]+','hello world 123') Out[31]: ['hello', 'world', '123']
-
-
匹配字符集合
-
元字符 ：
[^字符集] -
匹配规则： 匹配除了括号中字符集的任意一个字符
-
例子：
[^abc] 匹配除abc的任意一个字符 In [34]: re.findall('[^abcd]','a little boy') Out[34]: [' ', 'l', 'i', 't', 't', 'l', 'e', ' ', 'o',]
-
-
匹配任意（非）数字字符
-
元字符：
\d \D -
匹配规则：\d匹配任意数字字符 \D匹配任意非数字
-
例子：
[0-9] [^0-9] In [35]: re.findall('1\d{10}','17778965439') Out[35]: ['17778965439']
-
-
匹配（非）普通字符 （数字字母下划线）
-
元字符：
\w \W -
匹配规则： \w 普通字符 \W非普通字符
-
例子：
[_0-9a-zA-Z] [^_0-9a-zA-Z] In [38]: re.findall('\w+',"hello$1") Out[38]: ['hello', '1'] In [39]: re.findall('\W+',"hello$1") Out[39]: ['$'] In [40]: re.findall('\w+',"hello 成都") Out[40]: ['hello', '成都'] * \w 可以匹配普通的utf-8字符(比如汉字)
-
-
匹配（非）空字符 （空格，\r \t \n \0）
* 元字符 ：` \s \S `
* 匹配规则： \s 空字符 \S 非空字符
* 例子：
In [42]: re.findall('\s+',"hello world\r\n\t\0")
Out[42]: [' ', '\r\n\t']
In [43]: re.findall('\S+',"hello world")
Out[43]: ['hello', 'world']
- 匹配起止位置
* 元字符 ： `\A \Z` 和`^ $`
* 匹配规则： \A 匹配开始位置 \Z匹配结束位置
* 例子：
In [47]: re.findall('\Ahello\Z',"hello")
Out[47]: ['hello']
* 绝对匹配：使用开头和结尾位置的元字符将正则表达式放在其中，
* 则目标字符串仅有正则匹配内容时才能匹配上。
- 匹配（非）单词边界位置 （普通字符和非普通字符的交界处为单词边界）
-
元字符：
\b \B -
匹配规则： \b单词边界位置 \B非单词边界
-
例子：
In [52]: re.findall(r'\Bis',"This is a test") Out[52]: ['is'] In [54]: re.findall(r'\b成都\b',"成都，成都接头走一走") Out[54]: ['成都']
-
###元字符总结
- 匹配单个字符： a . \d \D \w \W \s \S […] [^…]
- 匹配重复性 ：* + ？ ｛N｝ ｛m,n｝
- 匹配位置：^ $ \A \Z \b \B
- 其他： | （） \
###正则表达式转义
-
正则中的特殊符号：
. * ? $ [] {} () ^ \In [58]: re.findall('\w+@\w+\.cn',"lvze@tedu.cn") Out[58]: ['lvze@tedu.cn'] In [62]: re.findall('.+\?$',"How are you?") Out[62]: ['How are you?'] \w+@\w+\.cn ----》"*****@***.cn" python 字符串转义 \n \t \ " ' "nihao\\nchina" -
raw 字符串 ： 原生字符串，字符串内容就是本身不进行任何转义
用法： r"hello"
###贪婪与非贪婪
- 贪婪模式 ： 正则表达式的重复匹配默认总是尽可能多的向后匹配内容
* + ？ ｛m,n｝
- 非贪婪模式 ： 尽可能少的匹配内容(相对贪婪)
*？ +？ ?? ｛m,n｝？
- 例子：
In [78]: re.findall(r'ab*?',"abbbbb")
Out[78]: ['a']
In [79]: re.findall(r'ab+?',"abbbbb")
Out[79]: ['ab']
###正则表达式分组
-
使用()可以为一个正则表达式建立子组，子组并不会影响正则表达式的整体匹配内容，子组可以看做是一个内部的整体部分
-
子组的作用：
- 子组可以改变正则表达式的重复行为
re.search(r'(ab)+',"ababababab").group() 'ababababab' - 子组在某些操作中可以被单独提取出来
re.search(r'(ab)+',"ababababab").group(1) 'ab
- 子组可以改变正则表达式的重复行为
-
子组的使用注意事项
- 一个正则表达式中可以有多个子组，从外到内从左 到右分别为第一第二第三。。。。子组
- 子组不存在交叉的情况
捕获组和非捕获组 （命名组和非命名组）
格式： (?Ppattern)
1.很多编程接口可以直接通过名字获取子组匹配内容
2.命名组可以被重复调用
格式 ： (?P=name)
In [93]: re.search(r’(?Pab)+’,“ababababab”).group()
Out[93]: ‘ababababab’
In [94]: re.search(r’(?Pab)cdef(?P=dog)’,“abcdefabcd”).group()
Out[94]: ‘abcdefab’
In [97]: re.search(r’\d{17}(\d|x)’,“21803119950425135x”).group()
Out[97]: ‘21803119950425135x’
正则表达式使用要求
- 唯一性：正则表达式只能匹配目标类别字符串， 而不能匹配其他内容
- 准确性：尽可能全面的考虑目标类别的字符串特 征，做到不遗漏
re模块
regex = re.compile(pattern,flags = 0)
功能 ： 生成正则表达式对象
参数 ： pattern 正则表达式
flags：功能标志位，提供更丰富的筛选功能
返回值 ： 正则表达式对象
re.findall(pattern,string,flags)
功能：查找正则表达式匹配内容
参数：pattern 正则表达式
string 目标字符串
flags 功能标志位
返回值： 将匹配到的内容放入一个列表返回
如果有子组，只能返回子组匹配到的内容
abcdefghigklmn
regex.findall(string=None, pos=0,endpos=999)
功能：查找正则表达式匹配内容
参数：string 目标字符串
pos ： 匹配目标字符串的起始位置
endpos:匹配目标字符串的结束位置
返回值： 将匹配到的内容放入一个列表返回
如果有子组，只能返回子组匹配到的内容
re.split(pattern,string,flags=0)
功能： 通过正则表达式分割目标字符串
参数： pattern 正则表达式
string 目标字符串
返回值 ： 返回分割后的字符串列表
re.sub(pattern,replaceStr,string,max,flags)
功能：替换正则表达式匹配到的内容
参数： pattern ： 正则
replstr ： 要替换的内容
string： 目标字符串
max： 组多替换几处
返回值 ： 返回替换后的字符串
re.subn(pattern,replaceStr,string,max,flags)
功能：替换正则表达式匹配到的内容
参数： pattern ： 正则
replstr ： 要替换的内容
string： 目标字符串
max： 组多替换几处
返回值 ： 返回替换后的字符串和实际替换的个数
re.finditer(pattern,string,flags)
功能： 使用正则表达式匹配内容
参数： pattern 正则表达式
string 目标字符串
返回值 ： 返回匹配到的内容的迭代器对象
re.fullmatch(pattern,string,flags)
功能： 完全匹配目标字符串
参数： pattern 正则
string 目标字符串
返回值： match对象 匹配不到返回None
re.match(pattern,string,flags)
功能： 匹配目标字符串的开头
参数： pattern 正则
string 目标字符串
返回值： match对象 匹配不到返回None：
re.search(pattern,string,flags)
功能： 匹配目标字符串
参数： pattern 正则
string 目标字符串
返回值： match对象 匹配不到返回None：
- 由于fullmatch match search函数匹配不到会返回 None ，而None没有match对象的属性，所以往往需 要用异常判断处理
正则对象其他属性
flags : 标志位
pattern ： 正则表达式
groups ： 有多少个子组
groupindex： 捕获组形成的字典
组名为键，第几组为值
作业：读取一个文本，将文本中所有以大写字母开头 的单词匹配出来
熟练元字符的使用
复习：
正则表达式的作用
元字符的使用
正则表达式的转义 贪婪 分组
re模块操作正则表达式
match对象
属性变量
pos ： 目标字符串的开头位置
endpos ： 目标字符串结束位置
re ： 正则表达式对象
string ： 目标字符串
lastgroup：最后一组名字
lastindex：最后一组是第几组
属性方法
start() 获取匹配到的内容的开始位置
end() 获取匹配到的内容的结束位置
span() 获取匹配到的内容的起止位置
group(n = 0)
功能： 获取match对象对应匹配到的内容
参数： 默认为0表示获取正则表达式整体的匹配内容
如果赋值1，2，3…则表示获取某个子组的匹配内容
返回值：返回匹配字符串
groups() 获取所有子组匹配内容
groupdict() 将所有捕获组内容形成一个字典
flags 参数
re.compile re.findall re.search re.match
re.finditer re.fullmatch re.sub re.subn re.split
作用： 辅助正则表达式，丰富匹配结果
A == ASCII
S == DOTALL 元字符.可以匹配\n
I == IGNORECASE 或略大小写
L == LOCALE
M == MULTILINE 元字符^ $ 可以匹配每一行的开头 结尾位置
T == TEMPLATE
U == UNICODE
X == VERBOSE 可以给正则添加注释
同时使用多个flag 用 |
re.I | re.S
279
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
