正则表达式
正则表达式(regular expression)描述了一种字符串匹配的模式(pattern),可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。
正则表达式是字符串处理的有力工具,但是并不是Python独有的,其他语言也有,Python中,re模块提供了正则表达式操作所需要的功能。
re 模块使 Python 语言拥有全部的正则表达式功能。
构造正则表达式的方法和创建数学表达式的方法一样。也就是用多种元字符与运算符可以将小的表达式结合在一起来创建更大的表达式。正则表达式的组件可以是单个的字符、字符集合、字符范围、字符间的选择或者所有这些组件的任意组合。
大多数字母和字符一般都会和自身匹配。如果在字符串前面加了r,表示对字符串不进行转义。
元字符:有些字符比较特殊,它们和自身并不匹配,而是表明应和一些特殊的东西匹配,或者会影响重复次数。
正则表达式除了能够匹配不定长的字符集,还能指定正则表达式的一部分的重复次数,所涉及的元字符有“*”、“+”、“?”、“{}”。
re模块中findall() 方法以列表 的形式返回所有能匹配的子串,如果没有找到匹配的,则返回空列表。
- “.”:表示除换行符以外的任意字符
与“.”类似(但不相同)的一个符号是“\S”,表示不是空白符的任意字符。
注意是大写字符S。
- “[]”:指定字符集
常用来指定一个字符集 ,例如:[abc]、[a-z]、[0-9];
元字符在方括号中不起作用,例如:[akm$]和[m.]中元字符都不起作用;
方括号内的“”表示补集,匹配不在区间范围内的字符,例如:[3]表示除3以外的字符。
- “^ ”:匹配行首,匹配以^后面的字符开头的字符串
- “$ ”:匹配行尾,匹配以$之前的字符结束的字符串
>>> re.findall(r'm[aiw]$',s) #匹配ma、mi、mw结尾的字符串
[]
>>> re.findall(r'm[aiwt$]',s) #$在[]中作为普通字符
['ma', 'mi', 'mw', 'mt', 'm$']
>>> re.findall(r'm[aiwt$]$',s) #匹配ma、mi、mw、mt、m$结尾的字符串
['m$']
- “\”:反斜杠后面可以加不同的字符以表示不同的特殊意义
字符 | 含义 |
---|---|
\b | 匹配单词头或单词尾,也就是指单词和空格间的位置,例如, ‘er\b’ 可以匹配"never" 中的 ‘er’,但不能匹配 “verb” 中的 ‘er’。 |
\B | 与\b相反,匹配非单词头或单词尾,例如:‘er\B’ 能匹配 “verb” 中的 ‘er’,但不能匹配 “never” 中的 ‘er’。 |
\d | 匹配任何十进制数;相当于[0-9] |
\D | 与\d相反,匹配任何非数字字符,相当于[^0-\s9] |
\s | 匹配任何空白字符,相当于[\t\n\r\f\v] |
\S | 与\s相反,匹配任何非空白字符,相当于[^\t\n\r\f\v] |
\w | 匹配任何字母、数字或下画线字符,相当于[a-zA-Z0-9_] |
\W | 与\w相反,匹配任何非字母、数字和下画线字符,相当于[^a-zA-Z0-9_] |
\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。 |
\1…\9 | 匹配第n个分组的内容。 |
\10 | 匹配第n个分组的内容,如果它经匹配。否则指的是八进制字符码的表达式。 |
也可以用于取消所有的元字符:\、[。
这些特殊字符都可以包含在[]中。如:[\s,.]将匹配任何空白字符、",“或”."。
- “”:匹配位于之前的字符或子模式的0次或多次出现
>>> import re
>>> s='a ab abbbbb abbbbbxa'
>>> re.findall(r'ab*',s) #a后面跟重复0到多次的b
['a', 'ab', 'abbbbb', 'abbbbb', 'a']
- “+”:匹配位于+之前的字符或子模式的1次或多次出现
>>> import re
>>> s='a ab abbbbb abbbbbxa'
>>> re.findall(r'ab+',s) #a后面跟重复1到多次的b
['ab', 'abbbbb', 'abbbbb']
- “?”:匹配位于?之前的0个或1个字符
当“?”紧随其他限定符(*、+、{n}、{n,}、{n,m})之后时,匹配模式是“非贪心的”。“非贪心的”模式匹配搜索到尽可能短的字符串,而默认的“贪心的”模式匹配搜索到的、尽可能长的字符串。
>>>import re
>>>s='hi,i am a student.my name is Hilton.'
>>>re.findall(r'i.*e',s) #贪心模式
['i,i am a student.my name']
>>>re.findall(r'i.*?e',s) #非贪心模式
['i,i am a stude']
在正则表达式中,“.”表示除换行符之外的任意字符,“*”表示数量:它表示前面的字符可以重复任意0次或多次,只要满足这样的条件,都会被匹配。所以r’i.e’表示i后面跟0个或多个除换行符之外的任意字符(最大模式匹配,贪心的)再跟字母“e”。那么re.findall(r’i.e’,s)会一直匹配到name。r’i.?e’表示i后面跟0个或多个除换行符之外的任意字符,后面的“?”表示最小模式匹配(非贪心的),然后再跟字母“e”。re.findall(r’i.?e’,s)会搜索到尽可能短的字符串,直到stude就结束了。
- “{m,n}”:表示至少有m个重复,至多有n个重复。m,n均为十进制数
忽略m表示0个重复,忽略n表示无穷多个重复。
{0,}等同于*;{1,}等同于+;{0,1}与?相同。但是如果可以的话,最好使用*、+、或?。
>>> re.findall(r'\b021-\d{8}\b',s) #\b表示匹配字符串的头或尾
['021-33507865']