正则表达式学习笔记

正则表达式

---

常见匹配模式

模式	描述
\w	匹配字母数字及下划线
\W	匹配非字母数字及下划线
\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
\d	匹配任意数字，等价于[0-9]
\D	匹配任意非数字
\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
\G	匹配最后匹配完成的位置
\n	匹配一个换行符
\t	匹配一个制表符
^	匹配字符串的开头
$	匹配字符串的末尾
.	匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符
[…]	用来表示一组字符，单独列出： [amk]匹配’a’，‘m’或’k’
[^…]	不在[]中的字符：[^abc]匹配除了a,b,c之外的字符
*	匹配0个或多个的表达式
+	匹配1个或多个的表达式
?	匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
{n}	精确匹配n个前面表达式
{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
a|b	匹配a或b
()	匹配括号内的表达式，也表示一个组

常规匹配

import re
content = "Hello 123 4567 World_This is a Regex Demo"  # 匹配的目标字符串
print("len=", len(content))
result = re.match("^Hello\s\d\d\d\s\d{4}\s\w{10}.*Demo$", content)  # 第一个参数为正则表达式，第二个参数为匹配的内容，如果不是起始位置匹配成功的话，match()就会反回none
print(result.group(), result.span())

# 上述代码运行结果
len= 41
Hello 123 4567 World_This is a Regex Demo (0, 41)

泛匹配

import re
content = "Hello 123 4567 World_This is a Regex Demo"
result = re.match("^H.*o$", content)  # 使用 .* 进行通用匹配
print(result)
print(result.group(), result.span())

# 结果
<re.Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo (0, 41)

匹配目标

import re
content = "Hello 123 4567 World_This is a Regex Demo"
result = re.match("^Hello\s(\d+)\s.*Demo$", content)
print(result)
print(result.group(),result.group(1), result.span())  # 这里的1代表的就是表达式中第一个()匹配的内容

# 结果
<re.Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo 123 (0, 41)

贪婪匹配

import re
content = "Hello 1234567 World_This is a Regex Demo"
result = re.match("^Hello.*(\d+).*Demo$", content)
print(result)
print(result.group(1))  # 由结果可以知道123456都被 .* 匹配了，.*会尽可能的匹配较多的字符，直到无法匹配为止

# 结果
<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
7

非贪婪匹配

import re
content = "Hello 1234567 World_This is a Regex Demo"
result = re.match("^Hello.*?(\d+).*Demo$", content)  # 加上?就是非贪婪模式，会尽量少的匹配字符
print(result)
print(result.group(1))

# 结果
<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
1234567

匹配模式

import re
content = '''Hello 1234567 
World_This is a Regex Demo'''
result = re.match("^He.*?(\d+).*?Demo$", content)  # 因为.*是不能匹配换行符的，所以匹配不到
print(result)
result = re.match("^He.*?(\d+).*?Demo$", content, re.S)  # 指定一个匹配模式以后，.*就可以匹配任何字符了
print(result.group(1))

# 结果
None
1234567

转义

import re
content = "price is $5.00"
result = re.match("price is $5.00", content)  # 含有特殊字符的字符串是不能直接匹配的
print(result)
result = re.match("price is \$5\.00", content)  # 需要加上转义字符
print(result)

# 结果
None
<re.Match object; span=(0, 14), match='price is $5.00'>

总结： 尽量使用泛匹配、使用括号得到匹配目标、尽量使用非贪婪模式、有换行符就用 re.S

re.search

re.search 扫描整个字符串并反回第一个成功匹配的字符。

import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result = re.match("Hello.*?(\d+).*?Demo", content)  # match从开头匹配，不在开头的话匹配不到
print(result)
result = re.search("Hello.*?(\d+).*?Demo", content)  # search就可以
print(result, result.group(1))

# 结果
None
<re.Match object; span=(13, 53), match='Hello 1234567 World_This is a Regex Demo'> 1234567

总结： 能用search方法就不要用match

re.findall

搜索字符串，以列表形式反回全部能匹配的子串。

import re
html = '''<div id="songs-list">
    <h2 class="title">经典老歌</h2>
    <p class="introduction">
        经典老歌列表
    </p>
    <ul id="list" class="list-group">
        <li data-view="2">一路上有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>'''
result = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)
print(result)

# 结果
[('/2.mp3', '任贤齐', '沧海一声笑'), ('/3.mp3', '齐秦', '往事随风'), ('/4.mp3', 'beyond', '光辉岁月'), ('/5.mp3', '陈慧琳', '记事本'), ('/6.mp3', '邓丽君', '<i class="fa fa-user"></i>但愿人长久')]

re.sub

替换字符串中每一个匹配的子串后反回替换后的字符串。

import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
content = re.sub("\d+", 'AAAAAAAA', content)  # 第一参数传入一个正则表达式，第二个参数是我们要替换成的字符串，第三个参数是我们要替换的字符串
print(content)

# 结果
Extra stings Hello AAAAAAAA World_This is a Regex Demo Extra stings

通过上述例子可以看到，目标内容已经被替换掉了。如果我们替换的内容中还需要原来的字符串，那么可以像下方这么写：

import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
content = re.sub("(\d+)", r'\1 AAA', content)  # 这里加入了括号，而 "\1"就代表了匹配出来的第一个括号的内容
print(content)

# 结果（可以看到原来的字符串也存在）
Extra stings Hello 1234567 AAA World_This is a Regex Demo Extra stings

re.compile

将正则字符串编译成正则表达式对象，便于复用该模式

import re
content = '''Hello 1234567 
World_This is a Regex Demo'''
pattern = re.compile("Hello.*Demo", re.S)  # 将正则字符串编译为对象
result = re.match(pattern, content)  # 直接使用，不需要再写正则表达式
print(result)

# 结果
<re.Match object; span=(0, 41), match='Hello 1234567 \nWorld_This is a Regex Demo'>

---

学习正则表达式，最重要的还是多练习吧，使用多了，才会更加的熟悉，使自己写的正则表达式能够简单准确的匹配出我们想要的内容。一些工具网站提供再现的正则表达式提取，比如开源中国的正则表达式程序，大家需要的话可以点击跳转。