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