模式匹配与正则表达式
1 用正则表达式查找文本模式
-
模块:
import re
-
compile函数:向re.compile()传入一个字符串值,表示正则表达式,它将返回一个Regex 模式对象
-
Regex对象
-
示例
import re p = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d') mo = p.search('My number is 415-555-4242.') print(mo.group())
-
2 正则表达式中的符号
-
利用括号分组:
- 添加括号将在正则表达式中创建“分组”:(\d\d\d)-(\d\d\d-\d\d\d\d)
- 可以使用group()匹配对象方法,从一个分组中获取匹配的文本
p = re.compile(r'(\d\d\d)-(\d\d\d-\d\d\d\d)') mo = p.search('My number is 415-555-4242.') print(mo.group(1)) print(mo.group(2)) print(mo.group()) # 括号在正则表达式中有特殊的含义,但是如果需要在文本中匹配括号,就需要用倒斜杠对(和)进行字符转义。 p = re.compile(r'(\(\d\d\d\))-(\d\d\d-\d\d\d\d)') mo = p.search('My number is (415)-555-4242.') print(mo.group(1)) print(mo.group(2))
-
用管道匹配多个分组
字符|称为”管道“。希望匹配许多表达式中的一个时,就可以使用它。
# 如果Batman 和Tina Fey 都出现在被查找的字符串中,第一次出现的匹配文本,将作为Match 对象返回 r = re.compile(r'Batman|Tina Fey') mo1 = r.search('Batman and Tina Fey.') mo2 = r.search('Tina Fey and Batman') In[11]: mo1.group() Out[11]: 'Batman' In[12]: mo2.group() Out[12]: 'Tina Fey'
- 指定前缀:
batRegex = re.compile(r'Bat(man|mobile|copter|bat)')
- 指定前缀:
-
用问号实现可选匹配:
batRegex = re.compile(r'Bat(wo)?man')
-
用星号匹配零次或多次:
batRegex = re.compile(r'Bat(wo)*man')
-
用加号匹配一次或多次:
batRegex = re.compile(r'Bat(wo)+man')
-
用花括号匹配特定次数:
haRegex = re.compile(r'(Ha){3}')
haRegex = re.compile(r'(Ha){3,5}')
:匹配’HaHaHa’、‘HaHaHaHa’和’HaHaHaHaHa’
-
问号:贪心与非贪心
-
Python 的正则表达式默认是**“贪心”**的,这表示在有二义的情况下,它们会尽可能匹配最长的字符串
greedyHaRegex = re.compile(r'(Ha){3,5}')
-
花括号的“非贪心”版本匹配尽可能最短的字符串,即在结束的花括号后跟着一个问号。
nongreedyHaRegex = re.compile(r'(Ha){3,5}?')
-
-
方括号:自定义字符分类
-
你可以用方括号定义自己的字符分类
vowelRegex = re.compile(r'[aeiouAEIOU]')
-
可以使用短横表示字母或数字的范围
-
通过在字符分类的左方括号后加上一个插入字符(^),就可以得到“非字符类”。
consonantRegex = re.compile(r'[^aeiouAEIOU]')
-
-
美元与插入符号:
- 可以在正则表达式的开始处使用插入符号(^),表明匹配必须发生在被查找文本开始处
- 可以在正则表达式的末尾加上美元符号($),表示该字符串必须以这个正则表达式的模式结束
- 可以同时使用^和$,表明整个字符串必须匹配该模式
-
句点:通配字符
-
.(句点)字符称为“通配符”它匹配除了换行之外的所有字符,句点字符只匹配一个字符
-
要匹配真正的句点,就是用倒斜杠转义:.
-
用点-星匹配所有字符
nameRegex = re.compile(r'First Name: (.*) Last Name: (.*)')
- 点-星使用“贪心”模式:它总是匹配尽可能多的文本。要用“非贪心”模式匹配所有文本,就使用点-星和问号
nongreedyRegex = re.compile(r'<.*?>')
- 点-星使用“贪心”模式:它总是匹配尽可能多的文本。要用“非贪心”模式匹配所有文本,就使用点-星和问号
-
用句点字符匹配换行
-
点-星将匹配除换行外的所有字符。通过传入re.DOTALL 作为re.compile()的第二个参数,可以让句点字符匹配所有字符,包括换行字符
newlineRegex = re.compile('.*', re.DOTALL)
-
-
3 findall()方法
-
search()将返回一个Match对象,包含被查找字符串中的“第一次”匹配的文本
-
findall()方法将返回一组字符串,包含被查找字符串中的所有匹配
phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d') # has no groups mo = phoneNumRegex.findall('Cell: 415-555-9999 Work: 212-555-0000')
4 字符分类
缩写字符分类 | 表示 |
---|---|
\d | 0-9的任何数 |
\D | 除0-9的任何数 |
\w | 任何字母、数字或下划线字符 |
\W | 除字母、数字或下划线的任何字符 |
\s | 空格、制表符或换行符 |
\S | 除空格、制表符或换行符的任何字符 |
5 compile的参数
-
不区分大小写的匹配
-
要让正则表达式不区分大小写,可以向re.compile()传入re.IGNORECASE 或re.I,作为第二个参数。
robocop = re.compile(r'robocop', re.I)
-
-
管理复杂的正则表达式
-
你可以告诉re.compile(),忽略正则表达式字符串中的空白符和注释,并向re.compile()传入变量re.VERBOSE,作为第二个参数。
phoneRegex = re.compile(r'''( (\d{3}|\(\d{3}\))? # area code (\s|-|\.)? # separator \d{3} # first 3 digits (\s|-|\.) # separator \d{4} # last 4 digits (\s*(ext|x|ext.)\s*\d{2,5})? # extension )''', re.VERBOSE)
-
-
组合使用re.IGNOREC ASE、re.DOTALL 和re.VERBOSE
-
如果你希望在正则表达式中使用re.VERBOSE 来编写注释,还希望使用re.IGNORECASE 来忽略大小写,遗憾的是,re.compile()函数只接受一个值作为它的第二参数。可以使用管道字符(|)将变量组合起来,从而绕过这个限制。管道字符在这里称为“按位或”操作符。
someRegexValue = re.compile('foo', re.IGNORECASE | re.DOTALL | re.VERBOSE)
-
6 用sub()方法替换字符串
-
Regex对象的sub()方法需要传入两个参数。第一个参数是一个字符串,用于取代发现的匹配。第二个参数是一个字符串,即正则表达式。
namesRegex = re.compile(r'Agent \w+') mo = namesRegex.sub('CENSORED', 'Agent Alice gave the secret documents to Agent Bob.')