python基础 - 正则表达式（re模块）

什么是正则表达式

  就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个"规则字符串"，这个"规则字符串"用来表达对字符串的一种过滤逻辑。

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

• 给定的字符串是否符合正则表达式的过滤逻辑（"匹配"）；
• 通过正则表达式，从文本字符串中获取我们想要的特定部分（"过滤"）。

正则表达式匹配规则

模式	描述
\w	匹配字母、数字、下划线,等价于[a-zA-Z0-9_] \w可以匹配汉字(python),
\W	匹配不是字母、数字、下划线的其他字符
\s	匹配任意空白字符,等价于(\t\n\r\f)
\S	匹配任意非空字符
\d	匹配数字,等价于[0-9]
\D	匹配不是数字的字符
\A	匹配字符串开头
\Z	匹配字符串结尾的,如果存在换行,只匹配到换行前的结束字符串
\z	匹配字符串结尾的,如果存在换行,匹配到换行符\n
\G	最好完成匹配的位置
\n	匹配一个换行符
\t	匹配一个制表符(tab)
^	匹配一行字符串的开头
$	匹配一行字符串的结尾
.	匹配任意字符,除了换行符.当re.DOTALL标记被指定时,这可以匹配包括换行符在内的任字符
[…]	用来表示一组字符,比如[abc]表示匹配a或b或c,[a-z],[0-9]
[^…]	匹配不在[]里面的字符,比如[^abc]匹配除a,b,c以外的字符
*	匹配0个或多个字符
+	匹配1个或多个字符
?	匹配0个或1个前面的正则表达式片段,(.*?)表示尽可能少地匹配字符(后面详解)
{n}	精确匹配前面n个前面的表达式,如\d{5}表示匹配5个数字
{n,m}	匹配前面的表达式n到m次,贪婪模式
a	b
(…)	匹配括号里的表达式,也可以表示一个组

Python 的 re 模块

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀，示例：

r'chuanzhiboke\t\.\tpython'

在python正则表达中尽可能的使用原始字符串，待匹配的字符串中看到什么就在正则表达式写什么，就不会出现问题

a = 'a\nb'
print(len(a))  # 3
b = r'a\nb'
print(len(b))  # 4
# '\n'长度为1，r'\n'长度为2

re 模块的一般使用步骤如下：

1. 使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象

2. 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。

3. 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

 常用正则表达式的方法：

• re.compile（编译）
• pattern.match（从头找一个，一次匹配）
• pattern.search（从任何位置开始找一个，一次匹配）
• pattern.findall（找所有，返回列表）
• finditer 方法 （全部匹配，返回迭代器）
• pattern.sub（替换）
• pattern.split (分割字符串，返回列表)

1、compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')

在上面，我们已将一个正则表达式编译成 Pattern 对象，接下来，我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。

2、match 方法

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：

match(string[, pos[, endpos]])

• string 是待匹配的字符串；
• pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

import re
pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

m = pattern.match('one12twothree34four')  # 查找头部，没有匹配
print(m)
# None

m = pattern.match('one12twothree34four', 2, 10)  # 从'e'的位置开始匹配，没有匹配
print(m)
# None

m = pattern.match('one12twothree34four', 3, 10)  # 从'1'的位置开始匹配，正好匹配
print(m)  # 返回一个 Match 对象
# <re.Match object; span=(3, 5), match='12'>

print(m.group(0))  # 可省略 0
# 12

print(m.start(0))  # 可省略 0
# 3

print(m.end(0))  # 可省略 0
# 5

print(m.span(0))  # 可省略 0
# (3, 5)

在上面，当匹配成功时返回一个 Match 对象，其中：

• group([group1, ...]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；

• start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；

• end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；

• span([group]) 方法返回 (start(group), end(group))。

再看看一个例子：

import re
pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # re.I 表示忽略大小写
m = pattern.match('Hello World Wide Web')

print(m)  # 匹配成功，返回一个 Match 对象
# <re.Match object; span=(0, 11), match='Hello World'>

print(m.group(0))  # 返回匹配成功的整个子串
# 'Hello World'

print(m.span(0))  # 返回匹配成功的整个子串的索引
# (0, 11)

print(m.group(1))  # 返回第一个分组匹配成功的子串
# 'Hello'

print(m.span(1))  # 返回第一个分组匹配成功的子串的索引
# (0, 5)

print(m.group(2))  # 返回第二个分组匹配成功的子串
# 'World'

print(m.span(2))  # 返回第二个分组匹配成功的子串
# (6, 11)

print(m.groups())  # 等价于 (m.group(1), m.group(2), ...)
# ('Hello', 'World')

print(m.group(3))  # 不存在第三个分组
# Traceback (most recent call last):
# IndexError: no such group

3、search 方法

search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

让我们看看例子：

import re
pattern = re.compile(r'\d+')

m = pattern.search('one12twothree34four')  # 这里如果使用 match 方法则不匹配
print(m)
print(m.group())
# <re.Match object; span=(3, 5), match='12'>
# '12'

m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间
print(m)
print(m.group())
# <re.Match object; span=(13, 15), match='34'>
# '34'

print(m.span())
# (13, 15)

再来看一个例子：

import re
pattern = re.compile(r'\d+')
m = pattern.search('hello 123456 789')    # 这里使用 match() 无法成功匹配
if m:
    print('matching string:', m.group())  # 使用 Match 获得分组信息
    print('position:', m.span())          # 起始位置和结束位置
# matching string: 123456
# position: (6, 12)

4、findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。

findall 方法的使用形式如下：

findall(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

看看例子：

import re
pattern = re.compile(r'\d+')
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print(result1)
print(result2)
# ['123456', '789']
# ['1', '2']

再先看一个栗子：

import re
pattern = re.compile(r'\d+\.\d*')
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
print(type(result))
# <class 'list'>
for item in result:
    print(item)
    
# 123.141593
# 3.15

5、finditer 方法

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

看看例子：

import re
pattern = re.compile(r'\d+')

result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)

print(type(result_iter1))
print(type(result_iter2))

# <class 'callable_iterator'>
# <class 'callable_iterator'>

print('result1...')
for m1 in result_iter1:  # m1 是 Match 对象
    print('matching string: {}, position: {}'.format(m1.group(), m1.span()))

# matching string: 123456, position: (6, 12)
# matching string: 789, position: (13, 16)

print('result2...')
for m2 in result_iter2:
    print('matching string: {}, position: {}'.format(m2.group(), m2.span()))

# matching string: 1, position: (3, 4)
# matching string: 2, position: (7, 8)

6、split 方法

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

import re
p = re.compile(r'[\s\,\;]+')
print (p.split('a,b;; c   d'))
# ['a', 'b', 'c', 'd']

使用多个分隔符分隔字符串

split多个分隔符 单一分隔符，使用str.split()即可
多个分隔符，复杂的分隔情况，使用re.split

（1）多个单一 分隔符 时 ，"[]"与 "|"的 效果是一样的，但是 请注意 使用 “|”时某些字符 需要转义

import re
line1 = "word;Word,emp?hahaha"
print(re.split(r";|,|\?", line1))  # 别忘了转义"?"
# ['word', 'Word', 'emp', 'hahaha']
print(re.split(r"[;,?]", line1))
# ['word', 'Word', 'emp', 'hahaha']

（2）多个 长短 不一 的的分隔符的分隔符时， 就应该使用 "|"

line2 = "word;Word=+,emp? hahaha; whole, cai"
print(re.split(r";|=\+,|\?\s|;\s|,\s", line2))
# ['word', 'Word', 'emp', 'hahaha', ' whole', ' cai']

（3）更加渐变简便 的 用法 是

print(re.split(r"\W+", line1))
print(re.split(r"\W+", line2))

（4） “（）”则是 将 分隔 后的 结果 连同分隔符均 有所 保留

rint(re.split(r"(\W+)", line2))
# ['word', ';', 'Word', '=+,', 'emp', '? ', 'hahaha', '; ', 'whole', ', ', 'cai']

7、sub 方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

• 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；

• 如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。

• count 用于指定最多替换次数，不指定时全部替换。

看看例子：

import re

p = re.compile(r'(\w+) (\w+)')  # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'

print(p.sub(r'hello world', s))  # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
print(p.sub(r'\2 \1', s))        # 引用分组
# hello world, hello world
# 123 hello, 456 hello


def func(m):
    print(m)
    return 'hi' + ' ' + m.group(2)  # group(0) 表示本身，group(1)表示hello，group(2) 表示后面的数字


print(p.sub(func, s))     # 多次sub，每次sub的结果传递给func
print(p.sub(func, s, 1))  # 最多替换一次

# <re.Match object; span=(0, 9), match='hello 123'>
# <re.Match object; span=(11, 20), match='hello 456'>
# hi 123, hi 456
# <re.Match object; span=(0, 9), match='hello 123'>
# hi 123, hello 456

8、匹配中文

在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的 unicode 编码范围 主要在 [u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。

假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：

import re

title = '你好，hello，世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print(result)
# ['你好', '世界']

注意到，我们在正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

注意：贪婪模式与非贪婪模式

1. 贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；
2. 非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；
3. Python里数量词默认是贪婪的。

示例一 ： 源字符串：abbbc

• 使用贪婪的数量词的正则表达式 ab* ，匹配结果： abbb。

  * 决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。

• 使用非贪婪的数量词的正则表达式ab*?，匹配结果： a。

  即使前面有 *，但是 ? 决定了尽可能少匹配 b，所以没有 b。

示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc

• 使用贪婪的数量词的正则表达式：<div>.*</div>

• 匹配结果：<div>test1</div>bb<div>test2</div>

这里采用的是贪婪模式。在匹配到第一个"</div>"时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个"</div>"后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为"<div>test1</div>bb<div>test2</div>"

---

• 使用非贪婪的数量词的正则表达式：<div>.*?</div>

• 匹配结果：<div>test1</div>

正则表达式二采用的是非贪婪模式，在匹配到第一个"</div>"时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为"<div>test1</div>"。

正则表达式测试网址

---