正则表达式
正则表达式是一个特殊的字符序列,利用事先定义好的一些特定字符以及它们的组合组成一个“规则”,检查一个字符串是否与这种规则匹配来实现对字符的过滤或匹配。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。
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。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。这些特殊的字符我们称之为元字符。
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。
Eg:>>> import re
>>> s=r’abc’
>>> re.findall(s,‘aabaab’) #无匹配
[]
>>> re.findall(s,‘aabcaabc’) #两处匹配
[‘abc’, ‘abc’]
>>> print("\nhi\n") #字符转义
hi
>>> print(r"\nhi\n") #字符不转义
\nhi\n
正则表达式元字符
1.“.”:表示除换行符以外的任意字符
(1)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。
Eg:>>> import re
>>> s=‘hi,i am a student.my name is Hilton.’
>>> re.findall(r’i’,s) #匹配所有的i
[‘i’, ‘i’, ‘i’, ‘i’]
>>> re.findall(r’.’,s) #匹配除换行符以外的任意字符
[‘h’, ‘i’, ‘,’, ‘i’, ’ ‘, ‘a’, ‘m’, ’ ‘, ‘a’, ’ ‘, ‘s’, ‘t’, ‘u’, ‘d’, ‘e’, ‘n’, ‘t’, ‘.’, ‘m’, ‘y’, ’ ‘, ‘n’, ‘a’, ‘m’, ‘e’, ’ ‘, ‘i’, ‘s’, ’ ‘, ‘H’, ‘i’, ‘l’, ‘t’, ‘o’, ‘n’, ‘.’]
>>> re.findall(r’i.’,s) #匹配i后面跟除换行符以外的任意字符的形式
[‘i,’, ‘i ‘, ‘is’, ‘il’]
>>> re.findall(r’i\S’,s) #匹配i后面跟不是空白符的任意字符的形式
[‘i,’, ‘is’, ‘il’]
2.“[]”:指定字符集
(1)常用来指定一个字符集,例如:[abc]、[a-z]、[0-9];
(2)元字符在方括号中不起作用,例如:[akmKaTeX parse error: Expected 'EOF', got '#' at position 208: …w]t',s) #̲匹配m后跟i或者w再跟t形式 …”:匹配行尾,匹配以
之
前
的
字
符
结
束
的
字
符
串
E
g
:
>
>
>
i
m
p
o
r
t
r
e
>
>
>
s
=
′
h
e
l
l
o
h
e
l
l
o
w
o
r
l
d
h
e
l
l
o
M
a
r
y
h
e
l
l
o
J
o
h
n
′
>
>
>
r
e
.
f
i
n
d
a
l
l
(
r
′
h
e
l
l
o
之前的字符结束的字符串 Eg:>>> import re >>> s='hello hello world hello Mary hello John' >>> re.findall(r'hello
之前的字符结束的字符串Eg:>>>importre>>>s=′hellohelloworldhelloMaryhelloJohn′>>>re.findall(r′hello’,s)
[]
>>> s=‘hello hello world hello Mary hello’
>>> re.findall(r’hello
′
,
s
)
[
′
h
e
l
l
o
′
]
>
>
>
s
=
′
m
a
p
m
i
t
m
e
e
m
w
t
m
e
q
m
t
m
',s) ['hello'] >>> s='map mit mee mwt meqmtm
′,s)[′hello′]>>>s=′mapmitmeemwtmeqmtm’
>>> re.findall(r’m[aiw]KaTeX parse error: Expected 'EOF', got '#' at position 8: ',s) #̲匹配ma、mi、mw结尾的字符…]’,s) #
在
[
]
中
作
为
普
通
字
符
[
′
m
a
′
,
′
m
i
′
,
′
m
w
′
,
′
m
t
′
,
′
m
在[]中作为普通字符 ['ma', 'mi', 'mw', 'mt', 'm
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
结尾的字符串 ['m
结尾的字符串[′m’]
5.“\”:反斜杠后面可以加不同的字符以表示不同的特殊意义
(1)\b匹配单词头或单词尾;
(2)\B与\b相反,匹配非单词头或单词尾;
(3)\d匹配任何十进制数;相当于[0-9];
(4)\D与\d相反,匹配任何非数字字符,相当于[^0-9];
(5)\s匹配任何空白字符,相当于[\t\n\r\f\v];
(6)\S与\s相反,匹配任何非空白字符,相当于[^\t\n\r\f\v];
(7)\w匹配任何字母、数字或下画线字符,相当于[a-zA-Z0-9_];
(8)\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_];
(9)也可以用于取消所有的元字符:\、[。
(10)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”."。
Eg:>>> import re
>>> s=‘0x12x3x567x8xy’
>>> re.findall(r’[0-9]’,s)
[‘0’, ‘1’, ‘2’, ‘3’, ‘5’, ‘6’, ‘7’, ‘8’]
>>> re.findall(r’\d’,s)
[‘0’, ‘1’, ‘2’, ‘3’, ‘5’, ‘6’, ‘7’, ‘8’]
>>> re.findall(r’[x\d]’,s) #匹配字母“x”或数字
[‘0’, ‘x’, ‘1’, ‘2’, ‘x’, ‘3’, ‘x’, ‘5’, ‘6’, ‘7’, ‘x’, ‘8’, ‘x’]
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“*”、“+”、“?”、“{}”。
6.“”:匹配位于之前的字符或子模式的0次或多次出现
Eg:>>> 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’]
7.“+”:匹配位于+之前的字符或子模式的1次或多次出现
Eg:>>> 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’]
8.“?”: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。
Eg:>>> import re
>>> s=‘a ab abbbbb abbbbbxa’
>>> re.findall(r’ab+’,s) #最大模式、贪心模式
[‘ab’, ‘abbbbb’, ‘abbbbb’]
>>> re.findall(r’ab+?’,s) #最小模式、非贪心模式
[‘ab’, ‘ab’, ‘ab’]
9.“{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
(1)忽略m表示0个重复,忽略n表示无穷多个重复。
(2){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?。
Eg:>>> import re
>>> s=‘a b baaaaba’
>>> re.findall(r’a{1,3}’,s)
[‘a’, ‘aaa’, ‘a’, ‘a’]
>>> s=‘021-33507yyx,021-33507865,010-12345678,021-123456789’
>>> re.findall(r’021-\d{8}’,s)
[‘021-33507865’, ‘021-12345678’]
>>> re.findall(r’\b021-\d{8}\b’,s) #\b表示匹配字符串的头或尾
[‘021-33507865’]