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’]