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:
-
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 -
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。 -
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
- 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 ( * );
- 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 ( ? );
- 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>
"。