Python正则表达式 匹配大全
动机
- 文本处理已经成为计算机常见的工作之一
- 对文本内容的搜索,定位,提取是逻辑比较复杂的工作
- 为了快速方便的解决上述问题,产生了正则表达式技术
定义 :即文本的高级匹配模式,提供搜索,替换等功能。其本质是一 系列由字符和特殊符号组成的字符串,这个字符串即正则表达式
匹配原理: 由普通字符和特殊符号构成,通过描述字符的重复,位置 ,种类等行为达到匹配某一类字符串的目的
目标:
- 熟练掌握正则表达式符号
- 读懂常见的正则表达式,编写基本的搜索提取功能正则
- 能够熟练使用re模块操作正则表达式
正则表达式特点
- 方便文本处理
- 支持语言众多
- 使用灵活变化多样
python ——》 re模块
re.findall(pattern,string)
功能: 提取所有的正则匹配内容
参数:pattern 正则表达式
string 目标字符串
返回值 : 列表,所有提取到的内容
元字符的使用
- 普通字符
元字符 : a B c
匹配规则 : 每个字符匹配对应的字符
In [13]: re.findall(‘ab’,“abcasfdb”)
Out[13]: [‘ab’]
- python中正则表达式可以匹配汉字
- 或
元字符 : |
匹配规则: 匹配 | 两侧任意一个正则表达式
In [15]: re.findall(‘ab|ef’,“abcdefgh”)
Out[15]: [‘ab’, ‘ef’]
- 匹配单个字符
元字符 : .
匹配规则: 匹配除换行外的任意字符
In [18]: re.findall(‘f.o’,“foo fao”)
Out[18]: [‘foo’, ‘fao’]
- 匹配字符串开始位置
元字符 : ^
匹配规则:匹配目标字符串的开始位置
In [23]: re.findall("^Hello",“Hello Jame”)
Out[23]: [‘Hello’]
- 匹配字符串的结束位置
元字符: $
匹配规则: 匹配字符串的结尾位置
In [23]: re.findall(“Jame$”,“Hello Jame”)
Out[25]: [‘Jame’]
- 匹配重复
元字符 : *
匹配规则 : 匹配前面的字符重复 0 次或者多次
fo* --> foooooooo f
In [27]: re.findall(“fo*”,“fooooafddfgfoo”)
Out[27]: [‘foooo’, ‘f’, ‘f’, ‘foo’]
- 匹配重复
元字符 : +
匹配规则 : 匹配前面的字符出现1次或多次
fo+ --> fooooo fo
In [29]: re.findall(“fo+”,“fooooafddfgfo”)
Out[29]: [‘foooo’, ‘fo’]
- 匹配重复
元字符 : ?
匹配规则: 匹配前面的字符出现 0次或1次
fo? --> f fo
In [32]: re.findall(“fo?”,“fooooafddfgfo”)
Out[32]: [‘fo’, ‘f’, ‘f’, ‘fo’]
- 匹配重复
元字符 : {n}
匹配规则 : 匹配前面的字符重复指定的次数
fo{3} --> fooo
In [33]: re.findall(“fo{3}”,“fooooasdfoo”)
Out[33]: [‘fooo’]
- 匹配重复
元字符 : {m,n}
匹配规则 : 匹配前面的字符出现 m – n 次
fo{2,4} --> foo fooo foooo
In [34]: re.findall(“fo{2,4}”,“fooooasdfoo,fo”)
Out[34]: [‘foooo’, ‘foo’]
- 匹配字符集
元字符 : [字符集]
匹配规则 : 匹配字符集中任意一个字符
[abc123] --> a b c 1 2 3
[a-z] [A-Z] [0-9]
[_#%a-zA-Z]
In [43]: re.findall("[A-Z]+[a-z]*",“This is A Test”)
Out[43]: [‘This’, ‘A’, ‘Test’]
12.匹配字符集
元字符 : [^ …]
匹配规则 : 匹配除了字符集中的任意一个字符
[^abc] --> 除了 a b c外的任意一个字符
In [46]: re.findall("[^ ]+",“This is A Test”)
Out[46]: [‘This’, ‘is’, ‘A’, ‘Test’]
- 匹配任意(非)数字
元字符 : \d \D
匹配规则: \d 匹配任意数字字符 [0-9]
\D 匹配任意非数字字符 [^0-9]
In [50]: re.findall(“1\d{10}”,“13844668899”)
Out[50]: [‘13844668899’]
- 匹配任意(非)普通字符
元字符: \w \W
匹配规则: \w 匹配任意普通字符 [_0-9a-zA-Z] 也能匹配汉字
\W 匹配任意非普通字符
In [54]: re.findall("\w+",“PORT#10035,Error 44%下降”)
Out[54]: [‘PORT’, ‘10035’, ‘Error’, ‘44’, ‘下降’]
- 匹配(非)空字符
元字符 : \s \S
匹配规则: \s 匹配任意空字符 [ \r\n\t\v\f]
\S 匹配任意非空字符
In [57]: re.findall("\w+\s+\w+",“hello world”)
Out[57]: [‘hello world’]
- 匹配字符串位置
元字符 : \A \Z
匹配规则: \A 匹配字符串开头位置 ^
\Z 匹配字符串结尾位置 $
In [63]: re.findall("\A\d±\d+\Z",“1000-1500”)
Out[63]: [‘1000-1500’]
- 绝对匹配:当正则表达式前有^最后有$时,那么这个正则表达式一定 是要匹配目标字符串的全部内容,否则就什么都不匹配
- 匹配单词边界
元字符 : \b \B
匹配规则 : \b 匹配单词边界位置 普通字符和非普通字符的交界
\B 匹配非单词边界位置
In [68]: re.findall(r"\bis\b",“This is a dog”)
Out[68]: [‘is’]
元字符总结
匹配单个字符: . […] [^…] \d \D \w \W \s \S
匹配重复 : * + ? {n} {m,n}
匹配位置 : ^ $ \A \Z \b \B
其他 : | () \
正则表达式转义
正则中的特殊符号: . * + ? ^ $ [] () | \
在正则表达式中如果需要匹配特殊符号则需要加\作为转义
e.g. 匹配 . 需要使用 \.
python字符串 正则 目标字符串
“\\$\\d+” \$\d+ $10
raw字符串:不对字符串内容进行转义处理
“\\$\\d+” ==》 r"\$\d+"
贪婪 和 非贪婪
贪婪模式:正则表达式的重复匹配默认总是尽可能向后匹配更多的内容
* + ? {m,n}
非贪婪(懒惰模式):尽可能少的重复匹配内容
贪婪 --》 非贪婪 *? +? ?? {m,n}?
In [92]: re.findall(“ab+?”,“abbbbbbbbbbccc”)
Out[92]: [‘ab’]
正则表达式分组
使用() 可以为正则表达式建立内部分组,子组为正则表达式的一 部,可以看作一个内部整体
* 有子组的正则表达式仍然是整体去匹配内容,子组需在整体能够
匹配到内容的前提下发挥作用
子组的作用:
1. 作为内部整体可以改变某些元字符行为
In [100]: re.search("(ab)+\d+","ababab1234").group()
Out[100]: 'ababab1234'
In [105]: re.search(r"\w+@\w+\.(cn| com)","Wangwc@tedu.com").group()
Out[105]: 'Wangwc@tedu.com'
2. 子组在匹配到内容的情况下可以单独提取
In [112]: re.search(r"(https|http|ftp)://\S +","http://www.baidu.com").group(1)
Out[112]: 'http'
子组注意事项
1. 一个正则表达式中可以有多个子组
2. 子组一般由外到内,由左到右记为第一第二。。。子组
3. 子组不要重叠或者嵌套过多
捕获组和非捕获组
格式 : (?P<name>pattern)
In [117]: In [105]: re.search(r"(? P<dog>ab)cd","abcdef").group('dog')
Out[117]: 'ab'
作用:名字可以表达一定的含义, 也可以通过名字获取子 组内容
正则表达式设计原则
- 正确性 ,能够正确的匹配出目标字符串
- 排他性 ,除了要匹配的内容,尽可能不会匹配到其他内容
- 全面性 ,尽可能对目标字串各种情况考虑全面,做到不遗漏
re模块
regex = compile(pattern,flags = 0)
功能: 生成正则表达式对象
参数: pattern 正则表达式
flags 功能标志位,丰富正则表达式的匹配功能
返回值:正则表达式对象
re.findall(pattern,string,flags = 0)
功能 : 从目标字符串提取所有正则匹配内容
参数 : pattern 正则
string 目标字串
flags 功能标志
返回值 : 返回匹配到的内容列表
如果正则表达式有子组则只获取子组中的内容
regex.findall(string,pos,endpos)
功能 : 从目标字符串提取所有正则匹配内容
参数 : string 目标字串
pos 截取目标字符串起始位置
endpos 截取目标字符串终止位置
返回值 : 返回匹配到的内容列表
如果正则表达式有子组则只获取子组中的内容
re.split(pattern,string,flags)
功能 : 使用正则表达式匹配部分切割目标字符串
参数 : pattern 正则表达式
string 目标字串
flags
返回值 : 列表, 切割后的部分
re.sub(pattern,replaceStr,string,max,flags)
功能 : 使用字符串替换正则匹配内容
参数 : pattern
replaceStr : 替换的字符串
string : 目标字符串
max : 最多替换几处,默认全部替换
返回值 : 返回替换后的字符串
re.subn(pattern,replaceStr,string,max,flags)
功能 : 使用字符串替换正则匹配内容
参数 : pattern
replaceStr : 替换的字符串
string : 目标字符串
max : 最多替换几处,默认全部替换
返回值 : 返回替换后的字符串和替换了几处
re.finditer(pattern,string,flags)
功能 : 使用正则表达式匹配目标字符串
参数 : pattern 正则表达式
string 目标字符串
返回值:迭代对象
fullmatch(pattern,string,flags)
功能 : 绝对匹配目标字符串
参数 : pattern 正则
string 目标字符串
返回值 : match 对象
match(pattern,string,flags)
功能 : 匹配目标字符串开头位置
参数 : pattern 正则
string 目标字符串
返回值 : match 对象
search(pattern,string,flags)
功能 : 匹配目标字符串第一处匹配内容
参数 : pattern 正则
string 目标字符串
返回值 : match 对象
regex 对象的属性
pattern 代表的正则表达式
flags 表示标志位常量值
groups 表示有多少子组
groupindex 生成捕获组名和对应第几组的键值对构成的字典