目录
(1) re.compile(pattern,flags = 0)
(2) re.search(pattern,string,flags = 0)
(3)re.match(pattern,string,flags = 0)
(4)re.fullmatch(pattern,string,flags = 0)
(5) re.split(pattern,string,maxsplit = 0,flags = 0)
(6)re.findall(pattern,string,flags = 0)
(7)re.finditer(pattern,string,flags = 0)
(8)re.sub(pattern, repl, string, count=0, flags=0)
(9)re.subn(pattern, repl, string, count=0, flags=0)
re模块
re模块是python匹配字符串的模块,该模块中提供的很多功能是基于正则表达式实现的,而正则表达式是对字符串进行模糊匹配,提取自己需要的字符串部分,他对所有的语言都通用。
元字符:. ^ $ * + ? { } [ ] | ( ) \
一、正则表达式模式
1、元字符之: . \ [] |
. | 匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符,请使用象 '[.\n]' 的模式。 |
\ | 反斜杠后边跟元字符去除特殊功能,比如 \. 反斜杠后边跟普通字符实现特殊功能,比如 \d |
[...] | 字符集。对应字符集中的任意字符,第一个字符是^则取反。 |
| | a|b , 匹配a或b |
2、预定义字符集
\d | 匹配任意数字,等价于 [0-9] |
\D | 匹配任意非数字,等价于 [^0-9] |
\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,等价于 [^\t\n\r\f] |
\w | 匹配字母数字及下划线,等价于 [a-zA-Z0-9] |
\W | 匹配非字母数字及下划线,等价于 [^a-zA-Z0-9] |
\b | 匹配一个单词边界,也就是只单词和空格间的位置。 如 ‘er\b' 可以匹配 ’nerver‘ 中的 'er'; 但不能匹配 'verb' 中的 'er' |
\B | 匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er',但不能匹配 "never" 中的 'er' |
\G | 匹配最后匹配完成的位置 |
3、数量词
re* | 匹配0个或多个的表达式 |
re+ | 匹配1个或多个的表达式 |
re? | 匹配0个或1个由前面正则表达式定义的片段,非贪婪方式 |
re{n} | 精准匹配n个前面表达式。 例如 o{2} 不能匹配 "Bob" 中的 "o",但是能匹配 "food" 中的两个 o。 |
re{n, } | 匹配 n 个前面表达式。 例如, o{2,} 不能匹配"Bob"中的"o",但能匹配 "foooood"中的所有 o。"o{1,}" 等价于 "o+"。"o{0,}" 则等价于 "o*"。 |
re{n, m} | 匹配 n 到 m 次由前面的正则表达式定义的片段,贪婪方式 |
注意:前面的*,+,?等都是贪婪匹配,也就是尽可能匹配,后面加?号使其变成惰性匹配
a.* | re.findall('a.*', "aaabca") | ['aaabca'] |
a.*? | re.findall('a.*?', "aaabca") | ['a', 'a', 'a', 'a'] |
a.+ | re.findall('a.+', "aaabca") | ['aaabca'] |
a.+? | re.findall('a.+?', "aaabca") | ['aa', 'ab'] |
a.? | re.findall('a.?', "aaabca") | ['aa', 'ab', 'a'] |
a.?? | re.findall('a.??', "aaabca") | ['a', 'a', 'a', 'a'] |
4、边界匹配
^ | 匹配字符串开头,如 ^abc匹配以abc开头的字符串。 |
$ | 匹配字符串结尾,如xyz$匹配以xzy结尾的字符串。 |
\A | 匹配字符串开始 |
\Z | 匹配字符串结束,如果是存在换行,只匹配到换行前的结束字符串。 |
\z | 匹配字符串结束 |
5、元字符之:分组 ()
(...)
匹配括号内的正则表达式
含多个括号的表格式,使用re.findall()方法匹配结果为一个元组,所有匹配结果是一个包含多个元组的列表或是一个空列表
>>> re.findall("([a-z])([A-Z])", "aAbBcd")
[('a', 'A'), ('b', 'B')]
(?aiLmsux)
(集合“a”、“i”、“L”、“m”、“s”、“u”、“x”中的一个或多个字母)这些字母为整个正则表达式设置了相应的标志:re.A(仅ASCII匹配)、re.I(忽略大小写)、re.L(与区域设置相关)、re.M(多行)、re.S(点匹配全部)、re.U(Unicode匹配)和re.X(详细)(这些标志在模块内容中进行了描述。)如果您希望将这些标志作为正则表达式的一部分,而不是将标志参数传递给re.compile()方法。应该首先在表达式字符串中使用标志。
下面是通过i设置忽略大小写, 使用(?i)
>>> re.findall("([a-z])-([A-Z])", "a-Ab-Bc-d")
[('a', 'A'), ('b', 'B')]
>>>
>>>
>>> re.findall("([a-z])-(?i)([A-Z])", "a-Ab-Bc-d")
[('a', 'A'), ('b', 'B'), ('c', 'd')]
(?:...)
普通圆括号的非捕获版本。匹配括号内的任何正则表达式,但在执行匹配或稍后在模式中引用后,无法检索组匹配的子字符串。
下面匹配 - 使用 (?:-), 匹配结果将不包含括号内的 -
>>> re.findall("([a-z])(-)(?i)([A-Z])", "a-Ab-Bc-deE")
[('a', '-', 'A'), ('b', '-', 'B'), ('c', '-', 'd')]
>>>
>>> re.findall("([a-z])(?:-)(?i)([A-Z])", "a-Ab-Bc-deE")
[('a', 'A'), ('b', 'B'), ('c', 'd')]
>>> ret = re.search("([a-z])(?:-)(?i)([A-Z])", "a-Ab-Bc-deE")
>>> ret
<_sre.SRE_Match object; span=(0, 3), match='a-A'>
>>>
>>> ret.group()
'a-A'
>>> ret.group(1)
'a'
>>> ret.group(2)
'A'
(?P<name>...)
类似于普通括号,但是组匹配的子字符串可以通过符号组名访问。组名必须是有效的Python标识符,并且每个组名只能在正则表达式中定义一次。
>>> ret = re.search("(?P<chart1>[a-z])(?:-)(?P<chart2>[A-Z])", "a-Ab-Bc-deE")
>>>
>>> ret
<_sre.SRE_Match object; span=(0, 3), match='a-A'>
>>>
>>> ret.group("chart1")
'a'
>>> ret.group("chart2")
'A'
(?=...)
前瞻断言。例如,Isaac(?=Asimov) 只有在后跟“Asimov”时才会匹配“Isaac”。
>>> re.findall("Isaac(?=Asimov)", "IsaacAsimov")
['Isaac']
>>> re.findall("abc(?=ABC)", "abcABC-abcABC")
['abc', 'abc']
(?!...)
例如,Isaac(?!Asimov) 只有在后面没有“Asimov”时才会与“Isaac”匹配。
>>> re.findall("Isaac(?!Asimov)", "IsaacAsimov")
[]
>>> re.findall("Isaac(?!Asimov)", "Isaac1Asimov")
['Isaac']
>>>
(?<=...)
positive lookbehind assertion , 如果(?<=...)中的正则匹配成功,返回后面正则匹配的字符串
>>> m = re.search('(?<=abc)def', 'abcdef')
>>> m
<_sre.SRE_Match object; span=(3, 6), match='def'>
>>> m.group()
'def'
(?<!...)
negative lookbehind assertion, (?<!...) 不满足正则表达式 ... 的内容,则括号之外后面需要匹配的字符串。
>>> m = re.search(r'(?<!-)\w+', 'spam-egg')
>>> m.group()
'spam'
(?(id/name)yes-pattern|no-pattern)
如果具有给定id或名称的组存在,将尝试与“yes-pattern”模式匹配;如果不存在,将尝试与“no-pattern”模式匹配。没有模式是可选的,可以省略。
例如,(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$)
是一个邮件匹配模式,它将与'<user@host.com>'以及'user@host.com',但不是'user@host.com>' , '<user@host.com'
>>> re.match("(<)?(\w+@\w+(?:\.\w+)+)((?(1)>|$))", "<user@host.com>")
<_sre.SRE_Match object; span=(0, 15), match='<user@host.com>'>
>>>
>>> re.match("(<)?(\w+@\w+(?:\.\w+)+)((?(1)>|$))", "<user@host.com")
>>>
>>> re.match("(<)?(\w+@\w+(?:\.\w+)+)((?(1)>|$))", "user@host.com>")
>>>
>>> re.match("(<)?(\w+@\w+(?:\.\w+)+)((?(1)>|$))", "user@host.com")
<_sre.SRE_Match object; span=(0, 13), match='user@host.com'>
>>>
>>> re.findall(r"(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$)", "<user@host.com>")
[('<', 'user@host.com')]
>>> re.findall(r"(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$)", "user@host.com")
[('', 'user@host.com')]
>>> re.findall(r"(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$)", "<user@host.com")
[('', 'user@host.com')]
>>> re.findall(r"(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$)", "user@host.com>")
[]
上面表达式re.findall(r"(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$)", "<user@host.com") 能将'<user@host.com“能匹配出来,因为当 ? = 1 不成了,当时当 ? = 0 成立。
要么在表达式前面使用^ , 或是使用re.match() 方法
身份证号码是一个长度为15或18个字符的字符串,
如果是15位则全部由数字组成,首位不能为0;
如果是18位,则前17位全部是数字,末位可能是数字或x,
正则 | 通过re 使用该正则 | 校验结果 |
^([1-9]\d{16}[0-9x]|[1-9]\d{14})$ | re.findall(r'^([1-9]\d{16}[1-9x]|[1-9]\d{14})$', "110105199812067023") | ['110105199812067023'] |
表示先匹配 ^[1-9]\d{16}[0-9x]$ 如果没有匹配上就匹配 ^[1-9]\d{14}$
6、再说字符集 [] [^]
[] 里面的 ^ 不是以什么作为开头,而是取反。也就是不匹配[]里面的字符。
正则 | 使用re | 匹配结果 | 说明 |
a[befcgd]* | re.findall("a[befcgd]*", "abefacgad") | ['abef', 'acg', 'ad'] | 表示匹配"a"后面[befcgd]的字符任意次 |
a[^f]* | re.findall("a[^f]*", "abefacgad") | ['abe', 'acgad'] | 表示匹配一个不是"f"的字符任意次 |
7、再说转义字符
在正则表达式中,有很多有特殊意义的是元字符,比如\n和\s等,如果要在正则中匹配正常的"\n"而不是"换行符"就需要对"\"进行转义,变成'\\'。
在python中,无论是正则表达式,还是待匹配的内容,都是以字符串的形式出现的,在字符串中\也有特殊的含义,本身还需要转义。所以如果匹配一次"\n",字符串中要写成'\\n',那么正则里就要写成"\\\\n",这样就太麻烦了。这个时候我们就用到了r'\n'这个概念,此时的正则是r'\\n'就可以了。
正则 | 待匹配字符 | 匹配 结果 | 说明 |
\n | \n | False | 因为在正则表达式中\是有特殊意义的字符,所以要匹配\n本身,用表达式\n无法匹配 |
\\n | \n | True | 转义\之后变成\\,即可匹配 |
"\\\\n" | '\\n' | True | 如果在python中,字符串中的'\'也需要转义,所以每一个字符串'\'又需要转义一次 |
r'\\n' | r'\n' | True | 在字符串之前加r,让整个字符串不转义 |
使用re模块 | 返回结果 | |
re.findall('a\\\\k', 'a\k') | ['a\\k'] | python解释器先把 \\\\ 转换为 \\ 传给正则, 正则拿到 \\ ,相当于 普通字符 \ 结果输出为 a\\k, \\ 表示是一个普通 \ |
re.findall(r'a\\k', 'a\k') | ['a\\k'] | r'a\\k', python不对 \\ 进行转换,直接传给正则,正则拿到 \\ ,相当于 普通字符 \ 结果输出为 a\\k, \\ 表示是一个普通 \ |
8、贪婪匹配 和 懒惰匹配
贪婪匹配:在满足匹配时,匹配尽可能长的字符串,默认情况下,采用贪婪匹配
a.* | re.findall('a.*', "aaabca") | ['aaabca'] | * 匹配 0 到无限个,尽可能多 |
a.+ | re.findall('a.+', "aaabca") | ['aaabca'] | + 匹配 1 到无限个,尽可能多 |
a.? | re.findall('a.?', "aaabca") | ['aa', 'ab', 'a'] | ? 匹配 0 或 一个, 尽可能多 |
懒惰匹配
注意:前面的*,+,?等都是贪婪匹配,也就是尽可能匹配,后面加?号使其变成惰性匹配
a.*? | re.findall('a.*?', "aaabca") | ['a', 'a', 'a', 'a'] | *? 匹配 0 到无限个,尽可能少,最少为0 |
a.+? | re.findall('a.+?', "aaabca") | ['aa', 'ab'] | +? 匹配 1 到无限个,尽可能少,最少为1 |
a.?? | re.findall('a.??', "aaabca") | ['a', 'a', 'a', 'a'] | ?? 匹配 0 或 一个, 尽可能少, 最少为0 |
几个常用的非贪婪匹配Pattern
*? | 重复任意次,但尽可能少重复 |
+? | 重复1次或更多次,但尽可能少重复 |
?? | 重复0次或1次,但尽可能少重复 |
{n,m}? | 重复n到m次,但尽可能少重复 |
{n,}? | 重复n次以上,但尽可能少重复 |
.*?的用法
. 是任意字符
* 是取 0 至 无限长度
? 是非贪婪模式。
何在一起就是 取尽量少的任意字符,一般不会这么单独写,他大多用在:
.*?x 就是取前面任意长度的字符,直到一个x出现
二、re 模块
1、常量
(1)re.A(re.ASCII) 让\w,\W,\b,\B,\d,\D,\s和\S 执行ASCII-只匹配完整的Unicode匹配代替。这仅对Unicode模式有意义,而对于字节模式则忽略。
(2) re.I(re.IGNORECASE) 执行不区分大小写的匹配;类似的表达式也[A-Z]将匹配小写字母。
(3) re.L(re.LOCALE) 让\w,\W,\b,\B和区分大小写的匹配取决于当前的语言环境。该标志只能与字节模式一起使用。不建议使用此标志,因为语言环境机制非常不可靠,它一次只能处理一种“区域性”,并且仅适用于8位语言环境。默认情况下,Python 3中已为Unicode(str)模式启用了Unicode匹配,并且能够处理不同的语言环境/语言。
(4) re.M(re.MULTILINE) 指定时,模式字符'^'在字符串的开头和每行的开头(紧随每个换行符之后)匹配;模式字符''在字符串的末尾和每行的末尾(紧接在每个换行符之前)匹配。默认情况下,'^' 仅在字符串的开头,字符串''在字符串的末尾和每行的末尾(紧接在每个换行符之前)匹配。默认情况下,'^' 仅在字符串的开头,字符串''的末尾和字符串末尾的换行符(如果有)之前立即匹配。
(5) re.S(re.DOTALL)使'.'特殊字符与任何字符都匹配,包括换行符;没有此标志,'.'将匹配除换行符以外的任何内容。
2、常用方法
(1) re.compile(pattern,flags = 0)
将正则表达式模式编译为正则表达式对象,可使用match(),search()以及下面所述的其他方法将其用于匹配
>>> prog = re.compile('[\d]+') # 正则对象
>>> prog
re.compile('[\\d]+')
>>>
>>> prog.search("12ab34cd")
<re.Match object; span=(0, 2), match='12'>
>>>
>>> prog.search("12ab34cd").group() # 通过调用group()方法得到匹配的字符串,如果字符串没有匹配,则返回None。
'12'
>>>
>>>
>>> prog.match("12ab34cd")
<re.Match object; span=(0, 2), match='12'>
>>>
>>> prog.match("12ab34cd").group()
'12'
>>>
>>>
>>> prog.findall("12ab34cd")
['12', '34']
(2) re.search(pattern,string,flags = 0)
扫描字符串,查找正则表达式模式产生匹配项的第一个位置 ,然后返回相应的match对象。
如果字符串中没有位置与模式匹配,则返回 None。
>>> prog = re.search("\d+", "12ab34cd")
>>> prog
<re.Match object; span=(0, 2), match='12'>
>>>
>>> prog.group()
'12'
>>>
>>> re.search("\d+", "abcd") == None
True
(3)re.match(pattern,string,flags = 0)
从字符串的开头开始匹配,如果有字符串与表达式模式匹配,则返回相应的匹配对象。
如果字符串与模式不匹配,则返回 None。
>>> grop = re.match("\d+", "12ab34cd")
>>> grop
<re.Match object; span=(0, 2), match='12'>
>>> grop.group()
'12'
>>>
>>> re.match("\D+", "ab12cd34").group()
'ab'
>>> re.match("\D+", "12ab34cd") == None
True
re.search() 和 re.match() 方法
Python提供了两种基于正则表达式的原始操作: re.match()仅在字符串的开头匹配,re.search()检查匹配项,在字符串中的任何位置检查匹配项
(4)re.fullmatch(pattern,string,flags = 0)
如果整个字符串与正则表达式模式匹配,则返回相应的match对象。如果字符串与模式不匹配,则返回 None.
>>> re.fullmatch("\d+", "12345").group()
'12345'
>>> re.fullmatch("[a-z]+", "abcde").group()
'abcde'
>>>
>>> re.fullmatch("[a-z]+", "abcde1") == None
True
>>> re.fullmatch("\d+", "12345a") == None
True
(5) re.split(pattern,string,maxsplit = 0,flags = 0)
通过出现模式来拆分字符串。如果在pattern中使用了捕获括号,那么模式中所有组的文本也将作为结果列表的一部分返回。如果maxsplit不为零,则最多会发生maxsplit分割,并将字符串的其余部分作为列表的最后一个元素返回。
# 如果分隔符匹配的字符串在开头,则结果将从空字符串开始;字符串结尾也是如此。
>>> re.split('[ab]', "acdb12a")
['', 'cd', '12', '']
>>>
>>> re.split(r'\W+', 'python version 3')
['python', 'version', '3']
>>>
>>> re.split('[a-c]+', "1a2B3d", flags=re.IGNORECASE)
['1', '2', '3d']
>>>
# 如果在pattern中使用了捕获括号,那么模式中所有组的文本也将作为结果列表的一部分返回
>>> re.split('([a-c]+)', "1a2B3d", flags=re.IGNORECASE)
['1', 'a', '2', 'B', '3d']
>>>
# 如果maxsplit不为零,则最多会发生maxsplit分割,并将字符串的其余部分作为列表的最后一个元素返回
>>> re.split('([a-c]+)', "1a2B3d", maxsplit=1, flags=re.IGNORECASE)
['1', 'a', '2B3d']
(6)re.findall(pattern,string,flags = 0)
以string列表形式返回string中pattern的所有非重叠匹配项。从左到右扫描该字符串,并以找到的顺序返回匹配项。
>>> re.findall('\w+', "hello world, python veresion 3")
['hello', 'world', 'python', 'veresion', '3']
>>>
# 没有匹配则返回一个空列表
>>> re.findall('\w+', ",,,,,,")
[]
(7)re.finditer(pattern,string,flags = 0)
返回一个迭代器,该迭代器在string类型的RE 模式的所有非重叠匹配中产生匹配对象。 从左到右扫描该字符串,并以找到的顺序返回匹配项。空匹配项包含在结果中。
# 返回一个迭代器
>>> re.finditer('\w+', "hello world, python veresion 3")
<callable_iterator object at 0x000001CC58AA13A0>
>>>
>>> iter = re.finditer('\w+', "hello world, python veresion 3")
>>> next(iter).group() # 查看下一个匹配的值
'hello'
>>>
>>> iter = re.finditer('\w+', "hello world, python veresion 3")
>>> [ i.group() for i in iter] # 列表解析显示所有匹配的值
['hello', 'world', 'python', 'veresion', '3']
>>>
(8)re.sub(pattern, repl, string, count=0, flags=0)
返回通过pattern 匹配,并通过 repl字符串替换的新字符串。
如果没有匹配成功,不替换返回原来字符串。
count参数表示将匹配到的内容进行替换的次数
>>> re.sub('\d', "_", "a1b2c3d4")
'a_b_c_d_'
>>>
>>> re.sub('\d', "_", "a1b2c3d4", count=1)
'a_b2c3d4'
>>>
(9)re.subn(pattern, repl, string, count=0, flags=0)
执行与相同的操作sub(),但返回一个元组。(new_string, number_of_subs_made)
>>> re.subn('\d', "_", "a1b2c3d4")
('a_b_c_d_', 4)
>>>
>>> re.subn('\d', "_", "a1b2c3d4",count=2)
('a_b_c3d4', 2)
>>>
(10) re.escape(pattern)
对文本(字符串)中所有可能被解释为正则运算符的字符进行转义
>>> re.escape("<\>,<*>,<?>,<()>")
'<\\\\>,<\\*>,<\\?>,<\\(\\)>'
>>> re.escape("\d+")
'\\\\d\\+'