系统学了一下正则表达式,省的以后总是查,顺便做了下笔记
1、正则表达式概述
正则表达式,又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法(英语:Regular Expression,在代码中常简写为regex、regexp或RE),是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。
Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思,Regular Expression即“描述某种规则的表达式”之意。
2、re模块操作
在Python中需要通过正则表达式对字符串进行匹配的时候,可以使用一个模块,名字为re
1. re模块的使用过程
# 导入re模块
import re
# 使用match方法进行匹配操作
result = re.match(正则表达式,要匹配的字符串)
# 如果上一步匹配到数据的话,可以使用group方法来提取数据
result.group()
re.match是用来进行正则匹配检查的方法,若字符串匹配正则表达式,则match方法返回匹配对象(Match Object),否则返回None(注意不是空字符串"")。
匹配对象Macth Object具有group方法,用来返回字符串的匹配部分
2. re模块示例(匹配以itcast开头的语句)
#coding=utf-8
import re
result = re.match("itcast","itcast.cn")
result.group()
运行结果为:
itcast
3. 说明
- re.match() 能够匹配出以xxx开头的字符串
3、表示字符
在上一小节中,了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节,将要讲解正则表达式的单字符匹配
字符 | 功能 |
---|---|
. | 匹配任意1个字符(除了\n) |
[ ] | 匹配[ ]中列举的字符 |
\d | 匹配数字,即0-9 |
\D | 匹配非数字,即不是数字 |
\s | 匹配空白,即 空格,tab键 |
\S | 匹配非空白 |
\w | 匹配单词字符,即a-z、A-Z、0-9、_ |
\W | 匹配非单词字符 |
import re
# 普通的匹配方式
ret = re.match("嫦娥1号", "嫦娥1号发射成功")
print(ret.group())
ret = re.match("嫦娥2号", "嫦娥2号发射成功")
print(ret.group())
ret = re.match("嫦娥3号", "嫦娥3号发射成功")
print(ret.group())
# 使用\d进行匹配
ret = re.match("嫦娥\d号", "嫦娥1号发射成功")
print(ret.group())
print(ret.group())
ret = re.match("嫦娥\d号", "嫦娥3号发射成功")
print(ret.group())
4、原始字符串
import re
mm = "c:\\a\\b\\c"
print(mm)
re.match("c:\\\\",mm).group()
ret = re.match("c:\\\\",mm).group()
print(ret)
ret = re.match("c:\\\\a",mm).group()
print(ret)
ret = re.match(r"c:\\a",mm).group()
print(ret)
说明
Python中字符串前面加上 r 表示原生字符串
,
与大多数编程语言相同,正则表达式里使用"\"作为转义字符
,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\":前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题,有了原始字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。
5、表示数量
匹配多个字符的相关格式
字符 | 功能 |
---|---|
* | 匹配前一个字符出现0次或者无限次,即可有可无 |
+ | 匹配前一个字符出现1次或者无限次,即至少有1次 |
? | 匹配前一个字符出现1次或者0次,即要么有1次,要么没有 |
{m} | 匹配前一个字符出现m次 |
{m,} | 匹配前一个字符至少出现m次 |
{m,n} | 匹配前一个字符出现从m到n次 |
示例1:*
需求:匹配出,一个字符串第一个字母为大小字符,后面都是小写字母并且这些小写字母可有可无
#coding=utf-8
import re
ret = re.match("[A-Z][a-z]*","Mm")
print(ret.group())
ret = re.match("[A-Z][a-z]*","Aabcdef")
print(ret.group())
ret = re.match("[A-Z][a-z]","Aabcdef")
print(ret.group())
示例2:+
需求:匹配出,变量名是否有效
import re
ret = re.match("[a-zA-Z_]+[\w_]*","name1")
print(ret.group())
ret = re.match("[a-zA-Z_]+[\w_]*","_name")
print(ret.group())
ret = re.match("[a-zA-Z_]+[\w_]*","2_name")
# # print(ret.group())
示例3:?
需求:匹配出,0到99之间的数字
import re
ret = re.match("[1-9]?[0-9]","7")
print(ret.group())
ret = re.match("[1-9]?[0-9]","33")
print(ret.group())
ret = re.match("[1-9]?[0-9]","09")
print(ret.group())
示例4:{m}
需求:匹配出,8到20位的密码,可以是大小写英文字母、数字、下划线
import re
ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678")
print(ret.group())
ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66")
print(ret.group())
ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23%%#@s34455ff66")
print(ret.group())
ret = re.match("[a-zA-Z0-9_]{4,20}[@][a-zA-Z0-9_]{3}[.][a-zA-Z0-9_]{3}","hello@163.com")
print(ret.group())
6、表示边界
字符 | 功能 |
---|---|
^ | 匹配字符串开头 |
$ | 匹配字符串结尾 |
\b | 匹配非单词的边界 |
\B | 匹配单词边界 |
示例1:$
# 需求:匹配163.com的邮箱地址
#coding=utf-8
import re
# 正确的地址
ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.com")
print(ret.group())
# 不正确的地址
ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.comheihei")
print(ret.group())
# 通过$来确定末尾
ret = re.match("[\w]{4,20}@163\.com$", "xiaoWang@163.comheihei")
print(ret.group())
#$结尾后就停止了,所以报错
示例2: \b
import re
print(re.match(r".*\bver\b", "ho ver abc").group())
print(re.match(r".*\bver\b", "ho verabc").group())
#如果不是边界,就会报错
示例3:\B
import re
print(re.match(r".*\Bver\B", "hoverabc").group())
print(re.match(r".*\Bver\B", "ho verabc").group())
匹配到了直接截止
7、匹配分组
字符 | 功能 |
---|---|
| | 匹配左右任意一个表达式 |
(ab) | 将括号中字符作为一个分组 |
\num | 引用分组num匹配到的字符串 |
(?P) | 分组起别名 |
(?P=name) | 引用别名为name分组匹配到的字符串 |
示例1:|
需求:匹配出0-100之间的数字
import re
ret = re.match("[1-9]?\d","8")
print(ret.group())
ret = re.match("[1-9]?\d","78")
print(ret.group())
#
# # 不正确的情况
# ret = re.match("[1-9]?\d","08")
# print(ret.group())
#
# 修正之后的
ret = re.match("[0-9]?\d$","08")
print(ret.group())
#
# # 添加|
ret = re.match("[1-9]?\d$|100","100")
print(ret.group())
#
ret = re.match("[1-9]?\d$|100","78")
print(ret.group())
#
ret = re.match("[0-9]?\d$|100","08")
print(ret.group())
#
ret = re.match("[1-9]?\d$|100","100")
print(ret.group())
示例2:( )
需求:匹配出163、126、qq邮箱之间的数字
import re
ret = re.match("\w{4,20}@163\.com", "test@163.com")
print(ret.group())
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com")
print(ret.group())
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com")
print(ret.group())
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")
print(ret.group())
#gmail没有所以报错了
import re
ret = re.match("([^-]*)-(\d+)","010-12345678")
print(ret.group(),ret.group(1),ret.group(2))
示例3:\
import re
# 能够完成对正确的字符串的匹配
ret = re.match("<\w*>\w*</\w*>", "<html>hh</html>")
print(ret.group())
# 如果遇到非正常的html格式字符串,匹配出错
ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</htmlbal*bala>")
print(ret.group())
# 正确的理解思路:如果在第一对<>中是什么,按理说在后面的那对<>中就应该是什么
# 通过引用分组中匹配到的数据即可,但是要注意是元字符串,即类似 r""这种格式
#1表示能比配和前面相同的,如果一样,贼匹配成功,不一样,出错
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>")
print(ret.group())
# 因为2对<>中的数据不一致,所以没有匹配出来
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</htmlbalabala>")
print(ret.group())
示例4:\number
需求:匹配出www.itcast.cn
import re
ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h1></html>")
print(ret.group())
ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h2></html>")
print(ret.group())
示例5:(?P) (?P=name)
需求:匹配出www.itcast.cn
import re
ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>")
print(ret.group())
ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h2></html>")
print(ret.group())
相当于起了个名字而已
8、re模块的高级用法
search
需求:匹配出文章阅读的次数
#coding=utf-8
import re
ret = re.search(r"\d+", "阅读次数为 9999")
ret.group()
findall
需求:统计出python、c、c++相应文章阅读的次数
#coding=utf-8
import re
ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
print(ret)
sub 将匹配到的数据进行替换
需求:将匹配到的阅读次数加1
方法1:
import re
ret1 = re.sub("\d+", '998', "python = 997")
ret2 = re.sub("\w+", '998', "python = 997")
print(ret1+'\n'+ret2)
方法2:
import re
def add(temp):
strNum = temp.group()
num = int(strNum) + 1
return str(num)
ret = re.sub(r"\d+", add, "python = 997")
print(ret)
ret = re.sub(r"\d+", add, "python = 99")
print(ret)
#相当于把后面的参数传到add函数里面,然后在进行替换工作
split 根据匹配进行切割字符串,并返回一个列表
需求:切割字符串“info:xiaoZhang 33 shandong”
#coding=utf-8
import re
#通过空格切割
ret = re.split(r" | ","info:xiaoZhang 33 shandong")
print(ret)
#通过:切割
ret = re.split(r":| ","info:xiaoZhang 33 shandong")
print(ret)
9、python贪婪和非贪婪
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;
非贪婪则相反,总是尝试匹配尽可能少的字符。
在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪。
s="This is a number 234-235-22-423"
r=re.match(".+(\d+-\d+-\d+-\d+)",s)
r.group(1)
'4-235-22-423'
r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
r.group(1)
'234-235-22-423'
正则表达式模式中使用到通配字,那它在从左到右的顺序求值时,会尽量“抓取”满足匹配最长字符串,在我们上面的例子里面,“.+”会从字符串的启始处抓取满足模式的最长字符,其中包括我们想得到的第一个整型字段的中的大部分,“\d+”只需一位字符就可以匹配,所以它匹配了数字“4”,而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。
解决方式:非贪婪操作符“?”,这个操作符可以用在"*","+","?"的后面,要求正则匹配的越少越好。这样就保证的前面的少,后面数字匹配的多
print(re.match(r"aa(\d+)","aa2343ddd").group())
print(re.match(r"aa(\d+?)","aa2343ddd").group())
print(re.match(r"aa(\d+)ddd","aa2343ddd").group())
print(re.match(r"aa(\d+?)ddd","aa2343ddd").group())