python之正则表达式
导读:我们都知道学习一项技能是为了解决我们的问题的,那么正则表达式是干什么的呢?有哪些内容呢?有哪些应用呢?那么,我们下面将围绕着这三个问题进行详述。
首先,我们要知道什么是正则表达式
正则表达式(re),计算机科学的一个概念。它通常被用来检索、替换那些符合某个(规则)的文本。
在详细讲解正则的之前,我先把它的所有内容贴出来
- 符号
元字符 | 描述 |
---|---|
\ | 将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如,“\n”匹配\n。“\n”匹配换行符。序列“\”匹配“\”而“(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。 |
^ | 匹配输入字行首。如果设置了RegExp对象的Multiline属性,^也匹配“\n”或“\r”之后的位置。 |
$ | 匹配输入行尾。如果设置了RegExp对象的Multiline属性,$也匹配“\n”或“\r”之前的位置。 |
* | 匹配前面的子表达式任意次。例如,zo*能匹配“z”,也能匹配“zo”以及“zoo”。*等价于{0,}。 |
+ | 匹配前面的子表达式一次或多次(大于等于1次)。例如,“zo+”能匹配“zo”以及“zoo”,但不能匹配“z”。+等价于{1,}。 |
? | 匹配前面的子表达式零次或一次。例如,“do(es)?”可以匹配“do”或“does”。?等价于{0,1}。 |
{n} | n是一个非负整数。匹配确定的n次。例如,“o{2}”不能匹配“Bob”中的“o”,但是能匹配“food”中的两个o。 |
{n,} | n是一个非负整数。至少匹配n次。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*”。 |
{n,m} | m和n均为非负整数,其中n<=m。最少匹配n次且最多匹配m次。例如,“o{1,3}”将匹配“fooooood”中的前三个o为一组,后三个o为一组。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。 |
? | 当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少地匹配所搜索的字符串,而默认的贪婪模式则尽可能多地匹配所搜索的字符串。例如,对于字符串“oooo”,“o+”将尽可能多地匹配“o”,得到结果[“oooo”],而“o+?”将尽可能少地匹配“o”,得到结果 [‘o’, ‘o’, ‘o’, ‘o’] |
.点 | 匹配除“\n”和"\r"之外的任何单个字符。要匹配包括“\n”和"\r"在内的任何字符,请使用像“[\s\S]”的模式。 |
(pattern) | 匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。要匹配圆括号字符,请使用“(”或“)”。 |
(?:pattern) | 非获取匹配,匹配pattern但不获取匹配结果,不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分时很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。 |
(?=pattern) | 非获取匹配,正向肯定预查,在任何匹配pattern的字符串开始处匹配查找字符串,该匹配不需要获取供以后使用。例如,“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”,但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。 |
(?!pattern) | 非获取匹配,正向否定预查,在任何不匹配pattern的字符串开始处匹配查找字符串,该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”,但不能匹配“Windows2000”中的“Windows”。 |
(?<=pattern) | 非获取匹配,反向肯定预查,与正向肯定预查类似,只是方向相反。例如,“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”,但不能匹配“3.1Windows”中的“Windows”。*python的正则表达式没有完全按照正则表达式规范实现,所以一些高级特性建议使用其他语言如java、scala等 |
(?<!patte_n) | 非获取匹配,反向否定预查,与正向否定预查类似,只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”,但不能匹配“2000Windows”中的“Windows”。*python的正则表达式没有完全按照正则表达式规范实现,所以一些高级特性建议使用其他语言如java、scala等 |
x|y | 匹配x或y。例如,“z|food”能匹配“z”或“food”(此处请谨慎)。“[z|f]ood”则匹配“zood”或“food”。 |
[xyz] | 字符集合。匹配所包含的任意一个字符。例如,“[abc]”可以匹配“plain”中的“a”。 |
[^xyz] | 负值字符集合。匹配未包含的任意字符。例如,“[^abc]”可以匹配“plain”中的“plin”任一字符。 |
[a-z] | 字符范围。匹配指定范围内的任意字符。例如,“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身. |
[^a-z] | 负值字符范围。匹配任何不在指定范围内的任意字符。例如,“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。 |
\b | 匹配一个单词的边界,也就是指单词和空格间的位置(即正则表达式的“匹配”有两种概念,一种是匹配字符,一种是匹配位置,这里的\b就是匹配位置的)。例如,“er\b”可以匹配“never”中的“er”,但不能匹配“verb”中的“er”;“\b1_”可以匹配“1_23”中的“1_”,但不能匹配“21_3”中的“1_”。 |
\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”。 |
\cx | 匹配由x指明的控制字符。例如,\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则,将c视为一个原义的“c”字符。 |
\d | 匹配一个数字字符。等价于[0-9]。grep 要加上-P,perl正则支持 |
\D | 匹配一个非数字字符。等价于[^0-9]。grep要加上-P,perl正则支持 |
\f | 匹配一个换页符。等价于\x0c和\cL。 |
\n | 匹配一个换行符。等价于\x0a和\cJ。 |
\r | 匹配一个回车符。等价于\x0d和\cM。 |
\s | 匹配任何不可见字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。 |
\S | 匹配任何可见字符。等价于[^ \f\n\r\t\v]。 |
\t | 匹配一个制表符。等价于\x09和\cI。 |
\v | 匹配一个垂直制表符。等价于\x0b和\cK。 |
\w | 匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”,这里的"单词"字符使用Unicode字符集。 |
\W | 匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。 |
\xn | 匹配n,其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。 |
*num* | 匹配num,其中num是一个正整数。对所获取的匹配的引用。例如,“(.)\1”匹配两个连续的相同字符。 |
*n* | 标识一个八进制转义值或一个向后引用。如果*n之前至少n个获取的子表达式,则n为向后引用。否则,如果n为八进制数字(0-7),则n*为一个八进制转义值。 |
*nm* | 标识一个八进制转义值或一个向后引用。如果*nm之前至少有nm个获得子表达式,则nm为向后引用。如果*nm之前至少有n个获取,则n为一个后跟文字m的向后引用。如果前面的条件都不满足,若n和m均为八进制数字(0-7),则*nm将匹配八进制转义值nm*。 |
*nml* | 如果n为八进制数字(0-7),且m和l均为八进制数字(0-7),则匹配八进制转义值nml。 |
\un | 匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。例如,\u00A9匹配版权符号(©)。 |
\p{P} | 小写 p 是 property 的意思,表示 Unicode 属性,用于 Unicode 正表达式的前缀。中括号内的“P”表示Unicode 字符集七个字符属性之一:标点字符。其他六个属性:L:字母;M:标记符号(一般不会单独出现);Z:分隔符(比如空格、换行等);S:符号(比如数学符号、货币符号等);N:数字(比如阿拉伯数字、罗马数字等);C:其他字符。*注:此语法部分语言不支持,例:javascript。 |
<> | 匹配词(word)的开始(<)和结束(>)。例如正则表达式<the>能够匹配字符串"for the wise"中的"the",但是不能匹配字符串"otherwise"中的"the"。注意:这个元字符不是所有的软件都支持的。 |
( ) | 将( 和 ) 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 \1 到\9 的符号来引用。 |
| | 将两个匹配条件进行逻辑“或”(or)运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her",但是不能匹配"it belongs to them."。注意:这个元字符不是所有的软件都支持的。 |
挑一些重要的普通字符和元字符讲解
\w:匹配中文、字母、数字、下划线。
\W:和上述相反。(配对记)
name = "周杰伦,_jj,jack"
print(re.findall("\w",name))
#['周', '杰', '伦','_', 'j', 'j', 'j', 'a', 'c', 'k']
\s:匹配任意的空字符。
\S:和上述相反。
name = "周杰伦,_jj,jack "
print (re.findall('\s',name))
#[' ']
\d:匹配数字。
\D:和上述相反。
name = "周杰伦,_j55j,jack ,123,456"
print (re.findall('\d',name))
#['5', '5', '1', '2', '3', '4', '5', '6']
^:从字符串开头匹配。
\A:和上面一样。(一般使用上面的)
name = "周杰伦,_jj,jack "
print (re.findall('^jj',name))
# []
print (re.findall('^周杰伦',name)) #从开头开始匹配
# ['周杰伦']
$:字符串结尾匹配。
\z、\Z:和上述一样。(一般使用上面的)
name = "周杰伦,_jj,jack "
print (re.findall('jj $',name))
print (re.findall('jack$',name))
print (re.findall('jack $',name))
# []
# []
# ['jack ']
\n、\t:匹配换行符和制表符。
name = "周杰伦,_jj,jack \n \t"
print (re.findall('\n',name))
# ['\n']
.:匹配任意字符。(换行符除外)
name = "周杰伦,_jj,jack \n"
print (re.findall('.',name))
#['周', '杰', '伦', ',', '_', 'j', 'j', ',', 'j', 'a', 'c', 'k', ' ']
.和re.DOTALL和用:匹配任意字符。
name = "周杰伦,_jj,jack \n"
print (re.findall('.',name))
#['周', '杰', '伦', ',', '_', 'j', 'j', ',', 'j', 'a', 'c', 'k', ' ','\n']
?:匹配?前元素0个或1个。
name = "j,jj,周杰伦,_jj,jack "
print (re.findall('jj?',name))
#['j', 'jj', 'jj', 'j']
*:匹配‘*前面元素0个或多个。[贪婪匹配] 重要
name = "j,jj,周杰伦,_jj,jack "
print (re.findall('j*',name))
# ['j', '', 'jj', '', '', '', '', '', '', 'jj', '', 'j', '', '', '', '', '']
#为什么会有这么多的空格?就是匹配不是该字符的就填上空。
+:匹配+前面元素1个或多个。[贪婪匹配] 重要
name = "j,jj,周杰伦,_jj,jack "
print (re.findall('j+',name))
# ['j', 'jj', 'jj', 'j']
#这个就不会和上面的星星一样填空。
{n,m}:匹配n到m个元素。
name = "j,jj,周jjjjj杰伦,_jj,jacjjjjjjk "
print (re.findall('j{1,3}',name))
# ['j', 'jj', 'jjj', 'jj', 'jj', 'j', 'jjj', 'jjj']
.*?:匹配任意内容0个或者1个。(用的最多的)
name = "m-e-me-meet-meet_123"
print(re.findall("m.*?e",name))
# ['m-e', 'me', 'mee', 'mee']
[]:获取括号中的内容。(用的也非常多)
name = "m-e-me-meet-meet_123"
print(re.findall("[1-9]",name)) #[]里面可以是英文字符(按照ascii匹配,也可以是#@!%¥这样的特殊字符。
#['1', '2', '3']
当然上面的只是基本功能的简述,如果对元字符像深入了解的可以看这一部分:
# a = re.findall("匹配规则","要匹配的字符串")
# ^元字符
# 字符串开始位置与匹配规则符合就匹配,否则不匹配
# 匹配字符串开头。在多行模式中匹配每一行的开头
# ^元字符如果写到[]字符集里就是反取
# a = re.findall("[^a-z]", "匹配s规则这s个字符串是否s匹配f规则则re则则则") #反取,匹配出除字母外的字符,^写在[]里面就是匹配除[]里面的元素
# print(a) #以列表形式返回匹配到的字符串
# #打印出 ['匹', '配', '规', '则', '这', '个', '字', '符', '串', '是', '否', '匹', '配', '规', '则', '则', '则', '则', '则']
$元字符
# 字符串结束位置与匹配规则符合就匹配,否则不匹配
# 匹配字符串末尾,在多行模式中匹配每一行的末尾
a = re.findall("匹配规则$", "这个字符串是否匹配规则") #字符串结束位置与匹配规则符合就匹配,否则不匹配
print(a) #以列表形式返回匹配到的字符串
*元字符
# 需要字符串里完全符合,匹配规则,就匹配,(规则里的*元字符)前面的一个字符可以是0个或多个原本字符
# 匹配前一个字符0或多次,贪婪匹配前导字符有多少个就匹配多少个很贪婪
# 如果规则里只有一个分组,尽量避免用*否则会有可能匹配出空字符串
a = re.findall("匹配规则*", "这个字符串是否匹配规则则则则则") #需要字符串里完全符合,匹配规则,就匹配,(规则里的*元字符)前面的一个字符可以是0或多个原本字符
print(a) #以列表形式返回匹配到的字符串
+元字符
# 需要字符串里完全符合,匹配规则,就匹配,(规则里的+元字符)前面的一个字符可以是1个或多个原本字符
# 匹配前一个字符1次或无限次,贪婪匹配前导字符有多少个就匹配多少个很贪婪
a = re.findall("匹配+", "匹配配配配配规则这个字符串是否匹配规则则则则则") #需要字符串里完全符合,匹配规则,就匹配,(规则里的+元字符)前面的一个字符可以是1个或多个原本字符
print(a) #以列表形式返回匹配到的字符串
?元字符,和防止贪婪匹配
# 需要字符串里完全符合,匹配规则,就匹配,(规则里的?元字符)前面的一个字符可以是0个或1个原本字符
# 匹配一个字符0次或1次
# 还有一个功能是可以防止贪婪匹配,详情见防贪婪匹配
a = re.findall("匹配规则?", "匹配规这个字符串是否匹配规则则则则则") #需要字符串里完全符合,匹配规则,就匹配,(规则里的?元字符)前面的一个字符可以是0个或1个原本字符
print(a) #以列表形式返回匹配到的字符串
{}元字符,范围
# 需要字符串里完全符合,匹配规则,就匹配,(规则里的 {} 元字符)前面的一个字符,是自定义字符数,位数的原本字符
# {m}匹配前一个字符m次,{m,n}匹配前一个字符m至n次,若省略n,则匹配m至无限次
# {0,}匹配前一个字符0或多次,等同于*元字符
# {+,}匹配前一个字符1次或无限次,等同于+元字符
# {0,1}匹配前一个字符0次或1次,等同于?元字符
a = re.findall("匹配规则{3}", "匹配规这个字符串是否匹配规则则则则则") #{m}匹配前一个字符m次,{m,n}匹配前一个字符m至n次,若省略n,则匹配m至无限次
print(a) #以列表形式返回匹配到的字符串
[]元字符,字符集
# 需要字符串里完全符合,匹配规则,就匹配,(规则里的 [] 元字符)对应位置是[]里的任意一个字符就匹配
# 字符集。对应的位置可以是字符集中任意字符。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]。[^abc]表示取反,即非abc。
# 所有特殊字符在字符集中都失去其原有的特殊含义。用\反斜杠转义恢复特殊字符的特殊含义。
a = re.findall("匹配[a,b,c]规则", "匹配a规则这个字符串是否匹配b规则则则则则") #需要字符串里完全符合,匹配规则,就匹配,(规则里的 [] 元字符)对应位置是[]里的任意一个字符就匹配
print(a) #以列表形式返回匹配到的字符串
()元字符,分组
# 也就是分组匹配,()里面的为一个组也可以理解成一个整体
# 如果()后面跟的是特殊元字符如 (adc)* 那么*控制的前导字符就是()里的整体内容,不再是前导一个字符
#也就是分组匹配,()里面的为一个组也可以理解成一个整体
a = re.search("(a4)+", "a4a4a4a4a4dg4g654gb") #匹配一个或多个a4
b = a.group()
print(b)
a = re.search("a(\d+)", "a466666664a4a4a4dg4g654gb") #匹配 (a) (\d0-9的数字) (+可以是1个到多个0-9的数字)
b = a.group()
print(b)
|或,或就是前后其中一个符合就匹配
反斜杠后边跟普通字符实现特殊功能;(即预定义字符)
# 预定义字符是在字符集和组里都是有用的
# \d匹配任何十进制数,它相当于类[0-9]
# \d+如果需要匹配一位或者多位数的数字时用
# \D匹配任何非数字字符,它相当于类[^0-9]
# \s匹配任何空白字符,它相当于类[\t\n\r\f\v]
# \S匹配任何非空白字符,它相当于类[^\t\n\r\f\v]
# \w匹配包括下划线在内任何字母数字字符,它相当于类[a-zA-Z0-9_]
# \W匹配非任何字母数字字符包括下划线在内,它相当于类[^a-zA-Z0-9_]
- python的re模块中的方法
findall 全部找到返回一个列表
import re
print(re.findall("lc","lcdsb,lc_nc,lcnb,al_ex"))
# 结果
['lc','lc','lc','lc']
search 从字符串中任意位置进行匹配查找到一个就停止了,返回的是一个对象. 获取匹配的内容必须使用.group()进行获取
import re
print(re.search("sb|nb","lcdsb,lc_sb,lcnb,al_ex").group())
# 结果
sb
match 从字符串开始位置进行匹配
import re
print(re.match('meet', 'meet lc vl ch').group())
# 结果
meet
import re
print(re.match('meet', 'meet lc vl ch'))
# 结果
None
split 分隔 可按照任意分隔符进行分隔
import re
print(re.split('[ ::,;;,]','alex wusir,刑天,太白金星;女神;肖锋:神超'))
# 结果
['alex', 'wusir', '刑天', '太白金星', '女神', '肖锋', '神超']
sub 替换
import re
print(re.sub('barry', 'meet', 'barry是最好的讲师,barry就是一个普通老师,请不要将barry当男神对待。'))
# 结果
meet是最好的讲师,meet就是一个普通老师,请不要将meet当男神对待。
compile 定义匹配规则
import re
obj = re.compile('\d{2}')
print(obj.findall("almm12345"))
# 结果
['12', '34']
import re
['12', '34']
obj = re.compile('\d{2}')
print(obj.search("alex12345").group())
# 结果
12
finditer 返回一个迭代器
import re
g = re.finditer('al',"almm_alsb,al22,aladf")
print(next(g).group())
print([i.group() for i in g])
# 结果
al
['al','al','al']
实例练习
【6】 正则表达式应用——实例应用
1.验证用户名和密码:("^[a-zA-Z]\w{5,15}$")正确格式:"[A-Z][a-z]_[0-9]"组成,并且第一个字必须为字母6~16位;
2.验证电话号码:("^(\d{3,4}-)\d{7,8}$")正确格式:xxx/xxxx-xxxxxxx/xxxxxxxx;
3.验证手机号码:"^1[3|4|5|7|8][0-9]{9}$";
4.验证身份证号(15位):"\d{14}[[0-9],0-9xX]",(18位):"\d{17}(\d|X|x)";
5.验证Email地址:("^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$");
6.只能输入由数字和26个英文字母组成的字符串:("^[A-Za-z0-9]+$");
7.整数或者小数:^[0-9]+([.][0-9]+){0,1}$
8.只能输入数字:"^[0-9]*$"。
9.只能输入n位的数字:"^\d{n}$"。
10.只能输入至少n位的数字:"^\d{n,}$"。
11.只能输入m~n位的数字:"^\d{m,n}$"。
12.只能输入零和非零开头的数字:"^(0|[1-9][0-9]*)$"。
13.只能输入有两位小数的正实数:"^[0-9]+(\.[0-9]{2})?$"。
14.只能输入有1~3位小数的正实数:"^[0-9]+(\.[0-9]{1,3})?$"。
15.只能输入非零的正整数:"^\+?[1-9][0-9]*$"。
16.只能输入非零的负整数:"^\-[1-9][0-9]*$"。
17.只能输入长度为3的字符:"^.{3}$"。
18.只能输入由26个英文字母组成的字符串:"^[A-Za-z]+$"。
19.只能输入由26个大写英文字母组成的字符串:"^[A-Z]+$"。
20.只能输入由26个小写英文字母组成的字符串:"^[a-z]+$"。
21.验证是否含有^%&',;=?$\"等字符:"[%&',;=?$\\^]+"。
22.只能输入汉字:"^[\u4e00-\u9fa5]{0,}$"。
23.验证URL:"^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$"。
24.验证一年的12个月:"^(0?[1-9]|1[0-2])$"正确格式为:"01"~"09"和"10"~"12"。
25.验证一个月的31天:"^((0?[1-9])|((1|2)[0-9])|30|31)$"正确格式为;"01"~"09"、"10"~"29"和“30”~“31”。
26.获取日期正则表达式:\\d{4}[年|\-|\.]\d{\1-\12}[月|\-|\.]\d{\1-\31}日?
评注:可用来匹配大多数年月日信息。
27.匹配双字节字符(包括汉字在内):[^\x00-\xff]
评注:可以用来计算字符串的长度(一个双字节字符长度计2,ASCII字符计1)
28.匹配空白行的正则表达式:\n\s*\r
评注:可以用来删除空白行
29.匹配HTML标记的正则表达式:<(\S*?)[^>]*>.*?</>|<.*? />
评注:网上流传的版本太糟糕,上面这个也仅仅能匹配部分,对于复杂的嵌套标记依旧无能为力
30.匹配首尾空白字符的正则表达式:^\s*|\s*$
评注:可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等),非常有用的表达式
31.匹配网址URL的正则表达式:[a-zA-z]+://[^\s]*
评注:网上流传的版本功能很有限,上面这个基本可以满足需求
32.匹配帐号是否合法(字母开头,允许5-16字节,允许字母数字下划线):^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注:表单验证时很实用
33.匹配腾讯QQ号:[1-9][0-9]{4,}
评注:腾讯QQ号从10 000 开始
34.匹配中国邮政编码:[1-9]\\d{5}(?!\d)
评注:中国邮政编码为6位数字
35.匹配ip地址:([1-9]{1,3}\.){3}[1-9]。
评注:提取ip地址时有用
36.匹配MAC地址:([A-Fa-f0-9]{2}\:){5}[A-Fa-f0-9]
到这里,我们的正则表达式基本就算将完了,下面我附上几个网址,里面可以在线正则解析,我们可以结合网站一起学习。
菜鸟工具:https://c.runoob.com/front-end/854
站长之家:http://tool.chinaz.com/ (这个网站的功能很强大,值的收藏)