正则表达式,简称regex,是文本模式的描述方法。
简单使用
\d可表示一个数字字符,若想匹配一串电话号码如下
>>> import re
>>> phoneNumRe = re.compile(r'\d\d\d-\d\d\d\d-\d\d\d\d')
>>> mo = phoneNumRe.search('My phone number is 123-4567-8901.')
>>> print('Phone Number is ' + mo.group())
Phone Number is 123-4567-8901
re.compile()传入一个字符串值,表示正则表达式,它将返回一个Regex模式对象。
Regex对象的search()方法查找传入的字符串,寻找该正则表达式的所有匹配。若没有找到,返回None,否则,返回一个Match对象。
Match对象有个group()方法,返回被查找字符串中实际匹配的文本。
用正则表达式匹配更多模式
利用括号分组
>>> phoneNumRe = re.compile(r'(\d\d\d)-(\d\d\d\d-\d\d\d\d)')
>>> mo = phoneNumRe.search('My phone number is 123-4567-8901.')
>>> mo.group(1)
'123'
>>> mo.group(2)
'4567-8901'
>>> mo.group(0)
'123-4567-8901'
>>> mo.group()
'123-4567-8901'
>>> mo.groups()
('123', '4567-8901')
在正则表达式中添加括号创建“分组”,然后使用group()匹配对象方法,从一个分组中获取匹配的文本。
第一对括号是第一组,第二对括号是第二组。
向group()传入1,2可获得匹配文本的不同部分,传入0或不传入参数,将返回整个匹配文本,若想要一次获取所有分组,可使用groups()
用管道匹配多个分组
>>> heroRe = re.compile(r'Batman|Tina Fey')
>>> mo = heroRe.search('Batman and Tina Fey.')
>>> mo.group()
'Batman'
>>> mo2 = heroRe.search('Tina Fey and Batman.')
>>> mo2.group()
'Tina Fey'
字符|称为“管道”,当需要匹配多个表达式中一个时可以使用。
当多个匹配都出现在字符串中,第一个出现的匹配文本将作为Match对象返回
>>> batRe = re.compile(r'Bat(man|mobile|copter|bat)')
>>> mo = batRe.search('Batmobile Batbat')
>>> mo.group()
'Batmobile'
>>> mo.group(1)
'mobile'
若希望匹配的字符有相同的前缀或后缀,可使用括号将不同的部分括起来。
mo.group()返回了完全匹配的文本‘Batmobile’,mo.group(1)只是返回第一个括号分组内匹配的文本‘mobile’
若需要匹配真正的管道字符可使用转义字符,即\|
用问号实现可选匹配
>>> phoneRe = re.compile(r'(\d\d\d-)?\d\d\d-\d\d\d\d')
>>> mo1 = phoneRe.search('My phone number is 123-456-7890')
>>> mo1.group()
'123-456-7890'
>>> mo2 = phoneRe.search('My phone number is 123-4567')
>>> mo2.group()
'123-4567'
有时,想匹配的模式时可选的,即,不论文本是否存在都默认匹配。
字符?表明它前面的分组在这个模式是可选的
(\d\d\d)?表明\d\d\d是可选的,可出现0次或一次。
若需匹配真正的?可使用转义字符\?
用星号匹配零次或多次
>>> batRe = re.compile(r'Bat(wo)*man')
>>> mo1 = batRe.search('The Advantage of Batman')
>>> mo1.group()
'Batman'
>>> mo2 = batRe.search('The Advantage of Batwoman')
>>> mo2.group()
'Batwoman'
>>> mo3 = batRe.search('The Advantage of Batwowowoman')
>>> mo3.group()
'Batwowowoman'
*表明匹配零次或多次,即*之前的分组可不存在或存在多次
若要匹配*可使用\*
用加号匹配一次或多次
>>> batRe = re.compile(r'Bat(wo)+man')
>>> mo1 = batRe.search('The Advantage of Batman')
>>> mo1 == None
True
>>> mo2 = batRe.search('The Advantage of Batwoman')
>>> mo2.group()
'Batwoman'
>>> mo3 = batRe.search('The Advantage of Batwowowoman')
>>> mo3.group()
'Batwowowoman'
+表明匹配一次或多次,+前的分组必须至少出现一次
若要匹配+可使用\+
用花括号匹配特定次数
>>> haRe = re.compile(r'(Ha){3}')
>>> mo1 = haRe.search('HaHaHa')
>>> mo1.group()
'HaHaHa'
>>> mo2 = haRe.search('HaHa')
>>> mo2 == None
True
若想要一个分组重复特定次数,就在正则表达式中该分组后加上花括号包围的数字,花括号还可以指定一个范围,即在花括号中下一个最小值、一个逗号、一个最大值;
其中最小值或最大值可省略,如{3,}{,5}分别表示匹配三次及以上和0到5次。
贪心和非贪心匹配
正则表达式默认是贪心的,即在有二义的情况下会尽可能匹配长的字符串。花括号的非贪心版本匹配尽可能匹配最短的字符串,即在结束的花括号后跟着一个问号。
>>> greedRe = re.compile(r'(ha){3,5}')
>>> mo1 = greedRe.search('hahahahaha')
>>> mo1.group()
'hahahahaha'
>>> nonGreedRe = re.compile(r'(ha){3,5}?')
>>> mo2 = nonGreedRe.search('hahahahaha')
>>> mo2.group()
'hahaha'
注:?在正则表达式中有两种含义:声明非贪心匹配或表示可选的分组。两种含义无关。
findall()方法
除search()外,Regex还有findall()方法,findall()返回一组字符串,包含被查找字符串中所有匹配
>>> phoneNumRe = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')
>>> phoneNumRe.findall('Cell:123-456-7890 Work:012-345-6789')
['123-456-7890', '012-345-6789']
>>> phoneNumRe = re.compile(r'(\d\d\d)-(\d\d\d)-(\d\d\d\d)')
>>> phoneNumRe.findall('Cell:123-456-7890 Work:012-345-6789')
[('123', '456', '7890'), ('012', '345', '6789')]
若正则表达式中有分组,findall()将返回元组的列表。每个元组表示一个找到的匹配,其中的项为正则表达式中每个分组的匹配字符串。
字符分类
缩写字符分类 | 表示 |
\d | 0到9的任何数字 |
\D | 除0到9的任何字符 |
\w | 任何字母、数字或下划线字符(可认为是匹配”单词“字符) |
\W | 除字母、数字或下划线以外的任何字符 |
\s | 空格、制表符或换行符(可认为是匹配”空白“字符) |
\S | 除空格、制表符和换行符以外的任何字符 |
建立自己的字符分类
有时需匹配一组字符,但缩写的字符分类过于宽泛。可用方括号定义自己的字符分类。如[a-z0-9]匹配所有小写字母及数字。
在字符分类的左方括号后加上一个插入字符(^),可得到非字符类,如[^a-z0-9]匹配除小写字母及数字的任何字符。
注:在方括号内,普通的正则表达式符号不会被解释。
插入字符和美元符号
可以在正则表达式的开始处使用插入符号^,表明匹配必须发生在被查找文本的开始处。在正则表达式末尾加上美元符号$,表明该字符串必须以这个正则表达式的模式结束。
可同时使用^和$,表明整个字符串必须匹配该模式,即,只匹配该字符串的某个子集是不够的
>>> beginsRe = re.compile(r'^Hello')
>>> beginsRe.search('Hello World!')
<_sre.SRE_Match object; span=(0, 5), match='Hello'>
>>> beginsRe.search('He said Hello') == None
True
>>> endsRe = re.compile(r'\d$')
>>> endsRe.search('Your name is 42')
<_sre.SRE_Match object; span=(14, 15), match='2'>
>>> endsRe.search('Your name is forth two') == None
True
>>> wholeRe = re.compile(r'^\d+$')
>>> wholeRe.search('1234567890')
<_sre.SRE_Match object; span=(0, 10), match='1234567890'>
>>> wholeRe.search('12345xyz67890') == None
True
>>> wholeRe.search('12345 67890') == None
True
通配字符
.(句号)称为“通配符”,匹配除换行外所有字符
>>> atRe = re.compile(r'.at')
>>> atRe.findall('The cat in the hat sat in the flat mat.')
['cat', 'hat', 'sat', 'lat', 'mat']
匹配真正的.需使用转义字符
用点-星匹配所有字符
用(.*)表示任意文本
(.*)使用贪心模式,总是尽可能匹配多的文本,若要使用非贪心模式匹配文本,使用.*?
?告诉python用非贪心模式匹配
>>> nameRe = re.compile(r'First Name:(.*) Last Name:(.*)')
>>> mo = nameRe.search('First Name:Al Last Name:Sweigart')
>>> mo.group(1)
'Al'
>>> mo.group(2)
'Sweigart'
>>> nongreedRe = re.compile(r'<.*?>')
>>> mo = nongreedRe.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man>'
>>> greedRe = re.compile(r'<.*>')
>>> mo = greedRe.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man> for dinner.>'
用句点字符匹配换行
通过传入re.DOTALL作为re.compile()的第二个参数,可以让句点字符匹配所有字符,包括换行
>>> noNewLineRe = re.compile(r'.*')
>>> noNewLineRe.search('Serve the public trust.\nProtect the innocent.\nUphold the law.').group()
'Serve the public trust.'
>>> newLineRe = re.compile(r'.*',re.DOTALL)
>>> newLineRe.search('Serve the public trust.\nProtect the innocent.\nUphold the law.').group()
'Serve the public trust.\nProtect the innocent.\nUphold the law.'
不区分大小写的匹配
要让正则表达式不区分大小写可向re.compile()传入re.IGNORECASE或re.I作为第二个参数
>>> rebocop = re.compile(r'robocop', re.I)
>>> rebocop.search('RoboCop is part man').group()
'RoboCop'
>>> rebocop.search('ROBOCOP is part man').group()
'ROBOCOP'
>>> rebocop.search('robocop is part man').group()
'robocop'
用sub()方法替换字符串
Regex的sub()方法需要传入两个参数。第一个参数为一个字符串,用于取代发现的匹配,第二个参数为字符串,即正则表达式。sub()方法返回替换完成后的字符串
>>> nameRe = re.compile(r'Agent \w+')
>>> nameRe.sub('CENSORED', 'Agent Alice gave the secret doucuments to Agent Bob')
'CENSORED gave the secret doucuments to CENSORED'
有时,需要使用匹配文本作为替换的一部分。在sub()中的第一个参数中,可以输入\1、\2、\3……。表示“在替换中输入分组1、2、3……的文本”
>>> agentNameRe = re.compile(r'Agent (\w)\w*')
>>> agentNameRe.sub(r'\1****', 'Agent Alice told Agent Carol that Agent Eve knew Agent Bob was a double agent')
'A**** told C**** that E**** knew B**** was a double agent'
管理复杂的正则表达式
可以向re.compile()传入变量re.VERBOSE,作为第二个参数忽略正则表达式字符串中的空白符和注释
如:
>>> phoneRe = re.compile(r'''(
... (\d{3}|\(\d{3}\))? #area code
... (\s|-|\.)? #seperator
.........
... )''', re.VERBOSE)
组合使用re.IGNORECASE、re.DOTALL和re.VERBOSE
re.compile()只接受一个值作为它的第二个参数,可以使用管道(|)将变量组合起来,从而绕过这个限制。|在此称为“按位或”
>>> someRe = re.compile('foo', re.IGNORECASE|re.DOTALL)