python-re正则表达式详解

python —正则表达式应用

官方文档链接：https://docs.python.org/zh-cn/3/library/re.html

---

正则文档及测试工具

正则表达式字符解释文档分享：
链接：https://pan.baidu.com/s/1NQVNEyg1VhAPx_aLmLlAFA
提取码：gsue
内容样式：

---

正则表达式测试工具分享：
链接：https://pan.baidu.com/s/1Smn65HVXcpS6H3Bes9VjvQ
提取码：6j6w

---

表达式字符说明

一般字符

·	匹配任意除换行符"\n"外的字符。 在DOTALL模式中也能匹配换行符。
\	转义字符，使用一个字符改变原来的意思。 如果字符串中有字符需要匹配，可以使用*或者字符集[]。
[…]	字符集（字符类）。对应的位置可以是字符集中任意的字符。字符集中的字符可以逐个列出，也可以给出范围，如[abc]或[a-c]。第一个字符如果是则表示取反，如[abc]表示不是abc的其他字符。所有特殊字符在字符集中都是去起原有的特殊含义。在字符集中如果使用]、-、或，可以在前面加上反斜杠，或把]、-放在第一个字符，把放在非第一个字符上。

预定义字符集

可以写在字符集[…]中

\d	数字:[0-9]
\D	非数字：[^\d]
\s	空白字符[<空格>\t\r\n\f\v]
\S	[^\s]
\w	[A-Za-z0-9]
\W	[^\w]

数量词

用在字符或（…）之后

*	匹配前一个字符0或无限次
＋加	匹配前一个字符1次或无限次
？	匹配前一个字符0次或1次
{m}	匹配前一个字符m次
{m，n}	匹配前一个字符m至n次 m和n可以省略：若省略m，则匹配0至n次;若省略n则匹配m至无限次
*? +? {m,n}?	使用*?,+?,{m,n}?变成非贪婪模式。 后面带上问号?

边界匹配

不消耗待匹配字符串中的字符

^	匹配字符串开头 在多行模式中匹配每一行的开头
$	匹配字符串的末尾 在多行模式中匹配每一行的末尾
\A	仅匹配字符串开头
\Z	仅匹配字符串末尾
\b	匹配\w和\W之间
\B	[^\b]

逻辑、分组

|	|代表左右表达式任意匹配一个。 它总是先尝试匹配左边的表达式，一旦成功匹配则跳过匹配右边的表达式。如果|没有被包括在（）中，则它的范围是整个正则表达式。
(…)	被括起来的表达式将作为分组，从表达式左边开始没遇到一个分组在做括号‘（’，编号+1。另外，分组表达式作为一个整体，可以后接数量词。表达式中的|仅在该组中有效。
（？P…）	分组，除了原有的编号外在制定一个额外的别名。
<number>	引用编号的分组匹配到字符串。
(?P = name)	引用别名为的分组匹配到的字符串

特殊构造（不作为分组）

(?:…)	(…)的不分组版本，用来使用‘|’或后接数量词。
(?iLmsux)	iLmsux的每个字符代表一个匹配模式，只能用在正则表达式的开头，可选多个。
(?#…)	#后的内容将作为注释被忽略
(?=…)	之后的字符串内容需要匹配表达式才能成功匹配。 不消耗字符串内容
(?!..)	之后的字符串内容需要不匹配表达式才能成功匹配。 不消耗字符串内容
(?<!..)	之前的字符串内容需要不匹配表达式才能成功匹配。 不消耗字符串内容
(?<=…)	之前的字符串内容需要匹配表达式才能成功匹配。 不消耗字符串内容
(?(id/name)) yes-pattern |no-pattern)	如果编号为id/别名为name的组匹配到字符，则需要匹配yes-pattern,否则需要匹配no-pattern。 |no-pattern可以省略。

常用函数：

re.compile：正则编译

re.compile(pattern,flags=0)
正则表达式预先编译，多字符串匹配时，直接调用该对象，可以减少正则重复编译，节省时间。

• pattern：正则表达式，同时应用不同的pattern可以使用|分隔，比如pattern = ‘体重\d+ | 身高\d+’
• flags：译标志位，用于修改正则表达式的匹配方式，如：是否区分大小写，多行匹配等。

常用flags参数：多个flags参数使用竖杠分隔，比如flags =re.S | re.I

• re.S(DOTALL)：使.匹配包括换行在内的所有字符（正常是不能匹配到换行\n的）；
• re.I（IGNORECASE）：使匹配对大小写不敏感；
• re.L（LOCALE）：做本地化识别（locale-aware)匹配，法语等；
• re.M(MULTILINE)：多行匹配，影响^和$；
• re.X(VERBOSE)：该标志通过给予更灵活的格式以便将正则表达式写得更易于理解；
• re.U：根据Unicode字符集解析字符，这个标志影响\w,\W,\b,\B）。）

也可以在表达式前面加上(?i)，不区分大小写，比如(?i)regexp匹配Regexp；表达式中‹(?i)›后面的字符不区分大小写，而‹(?-i)›后面的字符重新区分大小写；
匹配所有字符，可以使用点+re.S，也可以使用诸如[\s\S]，[\d\D]，[\w\W]

re.search：查找

re.search(pattern,string,flags=0)
查找符合正则表达式第一次出现的字符串，如果有多段字符符合表达式的，只会返回第一段字符。如果没匹配到，返回None，匹配成功，就是一个match object对象。

• match object方法
• group() 返回被 RE 匹配的字符串，返回完全匹配的文本
• start() 返回匹配开始的位置
• end() 返回匹配结束的位置
• span() 返回一个元组包含匹配 (开始,结束) 的位置
• group() 返回re整体匹配的字符串，可以一次输入多个组号，对应组号匹配的字符串。
• group (n,m) 返回组号为n，m所匹配的字符串，如果组号不存在，则返回indexError异常，m.group(1)返回第一个括号分组内匹配的文本。
• groups() 该方法返回一个包含正则表达式中所有小组字符串的元组，从 1 到所含的小组号，通常groups()不需要参数，返回一个元组，元组中的元就是正则表达式中定义的组。

s = '小明身高180厘米，体重70kg'
r = re.search('(?<=身高)(\d+).+(?<=体重)(\d+)',s)
r.group()
#out:'180厘米，体重70'
r.group(1)
#out:'180'
r.group(2)
#out:'70'
r.groups()
#out:('180', '70')
r.start()
#out:4，左闭右开，匹配开始位置从0开始在位置4
r.end()
#out:14，右开（不包括），匹配结束位置在14

re.findall：查找所有

re.findall(pattern,string,flags=0)
找到所有匹配对象，返回字符串列表，没匹配到，返回空列表。需要注意的一点是，如果有括号分组的情况下，只会返回表达式分组匹配的内容。

import re
s = '小明身高180厘米，体重70kg'
re.findall('(?<=身高)(\d+).+(?<=体重)(\d+)',s)
#out:[('180', '70')]；返回一个匹配元素，里边有两个分组。

'''使用complile预先编译的写法，其他也可以使用该方法，无须再传入pattern参数。'''
reg_bat = re.compile((?<=身高)(\d+).+(?<=体重)(\d+))
reg_bat.findall(s)

re.sub：替换

re.sub(pattern, repl, string, count=0, flags=0)
把符合正则表达式的内容替换成目标repl内容。需要注意的是，如果需要保留分组（表达式有小括号）内容，repl参数里边直接传入分组引用序号就行。比如：‘\1’。如果没没有找到替换字符串，则返回原字符串。

• 必选参数：pattern, repl, string。repl可以是被替换的字符串或者函数
• 可选参数：count, flags；count存在多条匹配记录时，替换次数。

s = '小明身高180厘米，体重70kg'

'''隐藏小明身高和体重信息'''
re.sub('(?<=身高)\d+|(?<=体重)\d+','**',s)
#out:'小明身高**厘米，体重**kg'

re.split：分割

re.split(pattern, string, maxsplit=0, flags=0)
使用符合正则表达式字符作为分隔符分割字符串

• 注意：如果在 pattern 中捕获到括号，那么所有的组里的文字也会包含在列表里。如果 maxsplit 非零， 最多进行 maxsplit 次分隔， 剩下的字符全部返回到列表的最后一个元素。

header = '姓名,成绩|身高\t 体重'
re.split('[,|]|\t ',header)
#out:['姓名', '成绩', '身高', '体重']

'''pat带有括号，包括分隔符在在输出列表里边。'''
re.split('(,|\||\t )',header)
#out：['姓名', ',', '成绩', '|', '身高', '\t ', '体重']

---

特殊元字符

任何不包含如下这些字符的正则表达式都可以简单地匹配其自身：$()*+.?[\^{|

这个列表中并不包含右方括号］、连字号-和右花括号}。前两个符号只有在它们位于一个没有转义的[之后才成为元字符，而}只有在一个没有转义的{之后才是元字符。在任何时候都没有必要对}进行转义。

[]号表示范围，[a-zA-Z0-9]，前面带^表示取反，比如[^a-z]表示不包括小写字母a到z，^在方括号中间没有特别意义；
反向的写法不允许，比如[z-a]
方括号中也可以使用\d,\D,\W,\w,\S,\s，比如[a-zA-Z\d]与[a-zA-Z0-9]是等同的；

不可打印字符

表示	含义	十六进制
<\a>	振铃	0x07
<\e>	转义	0x1B
<\f>	换页	0x0C
<\n>	换行	0x0A
<\r>	回车	0x0D
<\t>	水平制表符	0x09
<\v>	垂直制表符	0x0B

使用十六进制ASCII编码匹配制表符：re.search(string='\t',pattern='\x09')

匹配之前已匹配的文本

使用分组，分组的匹配顺序从左往右，从外往里，第一个分组使用\1标记，示例如下，\4匹配到的是第4个分组09；
re.findall(string="2021-09-01-09",pattern=r"((\d\d\d\d)-((\d\d)-(\d\d)))-(\4)")

[(‘2021-09-01’, ‘2021’, ‘09-01’, ‘09’, ‘01’, ‘09’)]

使用Unicode匹配(汉字）

Unicode 是全球文字统一编码。它把世界上的各种文字的每一个字符指定唯一编码，实现跨语种、跨平台的应用。

中文用户最常接触的是汉字 Unicode 编码。中文字符数量巨大，日常使用的汉字数量有数千个，再加上生僻字，数量达到数万个。这个表格将中文字符集的 Unicode 编码范围列出，点击字库条目可见具体字符。若要查询具体字符的编码请前往：汉字字符集编码查询。

匹配基本汉字：re.findall(string="asdrf匹配基本汉字125",pattern="[\u4E00-\u9FA5]")

[‘匹’, ‘配’, ‘基’, ‘本’, ‘汉’, ‘字’]