简介
本文介绍了Python对于正则表达式的支持,包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例。本文的内容不包括如何编写高效的正则表达式、如何优化正则表达式,这些主题请查看其他教程。
参考地址
基础函数运用
#pattern类工厂方法
import re
pattern = re.compile(r'\d+') #将正则表达编译成pattern对象
print(pattern.split('one1two2three'))
#以此分隔并返回分开后的形式
print(pattern.match('0one1two2three'))
#返回一个对象
print(pattern.findall('one111two211three'))
#返回所有能匹配的对象
print(pattern.finditer('one1two2three'))
#返回为迭代器
pattern1 = re.compile(r'(\d\w+) (\d\w+)')
#相互交换位置
print(pattern1.sub(r'\2 \1','1one 2two'))
re.compile(strPattern[, flag])
这个方法是Pattern类的工厂方法,用于将字符串形式的正则表达式编译为Pattern对象。
第二个参数flag是匹配模式,取值可以使用按位或运算符’|’表示同时生效,比如re.I | re.M。
可以在regex字符串中指定模式,比如
re.compile('pattern', re.I | re.M)
与re.compile('(?im)pattern')
是等价的。可选值:
re.I(re.IGNORECASE)
: 忽略大小写(括号内是完整写法,下同)M(MULTILINE)
: 多行模式,改变’^’和’$’的行为(参见上图)S(DOTALL)
: 点任意匹配模式,改变’.’的行为L(LOCALE)
: 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定U(UNICODE)
: 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性X(VERBOSE)
: 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。以下两个正则表达式是等价的:a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")re提供了众多模块方法用于完成正则表达式的功能。
这些方法可以使用Pattern实例的相应方法替代,唯一的好处是少写一行re.compile()代码,但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为:
m = re.match(r'hello', 'hello world!') print m.group()
re模块还提供了一个方法escape(string)
用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回,在需要大量匹配元字符时有那么一点用。
正则表达式
邮箱等规则字符串可用
模糊查询:判断主题是字符串
特殊字符:
\d
:数字(一个数字(开始为数字则正确))\D
:非数字\w
:单词字符\W
:非单词字符\s
:空白字符[1-9]
: 1到9数字[a-z|A-Z]
:所有英文字符转义符:
\
\\d
:\d
\.
:.
.
:任意字符
|
:左右满足任何一个即可正则表达式的数量:
*
:0个或多个+
:1个或多个?
:0个或1个 贪婪模式下:取消贪婪模式注意:
+
?`` *
匹配的是前一个字符贪婪模式:
*?
+?
??
{1,4}?
^
:以xxx开头$
:以XXX结尾\A
:相当于:^\w\Z
:相当于:\w${0,5}
:格式重复次数0到5次r
:转译符,r’ ‘
re函数
match
:尽量不匹配,找到一个马上返回search
:findall
:尽量匹配
Match
Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息。
属性
参数 意义 string 匹配时使用的文本。 re 匹配时使用的Pattern对象。 pos 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。 endpos 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。 lastindex 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。 lastgroup 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。 方法
group([group1, …])
:获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。
group1可以使用编号也可以使用别名;
编号0代表整个匹配的子串;不填写参数时,返回group(0);
没有截获字符串的组返回None;
截获了多次的组返回最后一次截获的子串。
groups([default])
:以元组形式返回全部分组截获的字符串。
相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。
groupdict([default])
:返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。
start([group])
:返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
end([group])
:返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
span([group])
:返回(start(group), end(group))。
expand(template)
:将匹配到的分组代入template中然后返回。
template中可以使用\id或\g 、\g 引用分组,但不能使用编号0。
\id与\g 是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符’0’,只能使用\g<1>0。
import re
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')
### output ###
# m.string: hello world!
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'\2 \1\3'): world hello!
Pattern
Pattern对象是一个编译好的正则表达式,通过Pattern提供的一系列方法可以对文本
进行匹配查找。
Pattern不能直接实例化,必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息
pattern
: 编译时用的表达式字符串。flags
: 编译时用的匹配模式。数字形式。groups
: 表达式中分组的数量。groupindex
: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典,没有别名的组不包含在内。import re
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex
### output ###
# p.pattern: (\w+) (\w+)(?P<sign>.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {'sign': 3}
实例方法[ | re模块方法]:
match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
这个方法将从string的pos下标处起尝试匹配pattern;
如果pattern结束时仍可匹配,则返回一个Match对象;
如果匹配过程中pattern无法匹配,或者匹配未结束就已到达endpos,则返回None。
pos和endpos的默认值分别为0和len(string);
re.match()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
注意:这个方法并不是完全匹配。当pattern结束时若string还有剩余字符, 仍然视为成功。想要完全匹配,可以在表达式末尾加上边界匹配符'$'。
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
这个方法用于查找字符串中可以匹配成功的子串。
从string的pos下标处起尝试匹配pattern,如果pattern结束时仍可匹配,则返回一个Match对象;
若无法匹配,则将pos加1后重新尝试匹配;直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string));re.search()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
# encoding: UTF-8
import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'world')
# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None
# 这个例子中使用match()无法成功匹配
match = pattern.search('hello world!')
if match:
# 使用Match获得分组信息
print match.group()
### 输出 ###
# worldsplit(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
按照能够匹配的子串将string分割后返回列表。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'\d+') print p.split('one1two2three3four4') ### output ### # ['one', 'two', 'three', 'four', '']
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
搜索string,以列表形式返回全部能匹配的子串。
import re p = re.compile(r'\d+') print p.findall('one1two2three3four4') ### output ### # ['1', '2', '3', '4']
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。
import re p = re.compile(r'\d+') for m in p.finditer('one1two2three3four4'): print m.group(), ### output ### # 1 2 3 4
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时,可以使用\id或\g 、\g 引用分组,但不能使用编号0。
当repl是一个方法时,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。
import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.sub(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.sub(func, s)
### output ###
# say i, world hello!
# I Say, Hello World!
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.subn(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.subn(func, s)
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)
邮箱/IP正则
判断邮箱合法性
import re
pa = '\d' #规则 --->正则表达式
str1 = 'qaqsqdq12313'
x = re.findall(pa,str1)
print(x)
def is_num(string1):
pattern = '\w+@\w+\.com' #邮箱正则
x = re.findall(pattern,string1)
print(x)
return x
while True:
str1 = input('输入邮箱: ')
res = is_num(str1)
if len(res) == 0:
print('xxxx')
else:
print('oooooo')
break判断IP合法性
def is_num(string1):
pattern = r"^((\d|[1-9]\d|1\d\d|2[0-4]\d|25[0-5])\.)
{3}(\d|[1-9]\d|1\d\d|2[0-4]\d|25[0-5])$"
#pattern = r'1\d\d|25[0-5]|2[0-4]\d'
x = re.findall(pattern, string1)
print(x)
return x
while True:
str1 = input('输入号码: ')
res = is_num(str1)
if len(res) != 1:
print('xxxx')
else:
print('oooooo')
break
content = 'Hello 12345 World'
result = re.match('^Hello\s(\d+)\sWorld', content)
print(result.group())
贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。
Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;
非贪婪的则相反,总是尝试匹配尽可能少的字符。
例如:正则表达式”ab*”如果用于查找”abbbc”,将找到”abbb”。而如果使用非贪婪的数量词”ab*?”,将找到”a”。
content = 'http://weibo.com/comment/kEraCNdsfgkdsfgjkldsjkl'
result1 = re.match('http.*?comment/(.*?)', content)
result2 = re.match('http.*?comment/(.*)', content)
print('result1', result1.group(1)) # 结果 result1
print('result2', result2.group(1)) # 结果 result2 kEraCN
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$', content)
print(result.group(1)) # 结果
result = re.match('^He.*(\d+).*Demo$', content)
print(result.group(1)) # 结果 7