动机
正则表达式有强大的匹配功能。正则表达式描述了一种字符串匹配的模式,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。
目的
学习正则表达式的基本语法、基本概念和基本函数,达到可以看懂代码的效果
内容
什么是正则表达式?
基本功能:
-
匹配字符
-
重复
使用正则表达式
-
应用匹配
-
模块级别函数
快速寻找匹配字符串:一般先匹配一般的字符,再看元字符
什么是正则表达式?
正则表达式(称为RE,或正则,或正则表达式模式)本质上是嵌入在Python中的一种微小的、高度专业化的编程语言,可通过 re
模块获得。
正则表达式语言相对较小且受限制,因此并非所有可能的字符串处理任务都可以使用正则表达式完成。 还有一些任务 可以 用正则表达式完成,但表达式变得非常复杂。 在这些情况下,你最好编写 Python 代码来进行处理;虽然 Python 代码比精心设计的正则表达式慢,但它也可能更容易理解。
基本功能:
匹配字符
大多数字母和字符只会匹配自己。 例如,正则表达式 test
将完全匹配字符串 test
。
这条规则有例外;一些字符是特殊的 metacharacters ,并且不匹配自己。 相反,它们表示应该匹配一些与众不同的东西,或者通过重复它们或改变它们的含义来影响正则的其他部分。 本文档的大部分内容都致力于讨论各种元字符及其功能。
我们将看到的第一个元字符是 [``和
]``。 它们用于指定字符类,它是你希望匹配的一组字符。 可以单独列出字符,也可以通过给出两个字符并用 '-'
标记将它们分开来表示一系列字符。 例如,[abc]
将匹配任何字符 a
、b
或 c
; 这与 [a-c]
相同,它使用一个范围来表示同一组字符。 如果你只想匹配小写字母,你的正则是 [a-z]
。
字符类中的元字符不生效。 例如,[akm$]
将匹配``'a',
'k'、
'm'或
'$'`` 中的任意字符;'$'
通常是一个元字符,但在一个字符类中它被剥夺了特殊性。
你可以通过以下方式匹配 complementing 设置的字符类中未列出的字符。这通过包含一个 '^'
作为该类的第一个字符来表示。 例如,[^5]
将匹配除 '5'
之外的任何字符。 如果插入符出现在字符类的其他位置,则它没有特殊含义。 例如:[5^]
将匹配 '5'
或 '^'
。
也许最重要的元字符是反斜杠,\
。 与 Python 字符串文字一样,反斜杠后面可以跟各种字符,以指示各种特殊序列。它也用于转义所有元字符,因此您仍然可以在模式中匹配它们;例如,如果你需要匹配 [
或 \
,你可以在它们前面加一个反斜杠来移除它们的特殊含义:\[
或 \\
。
一些以 '\'
开头的特殊序列表示通常有用的预定义字符集,例如数字集、字母集或任何非空格的集合。
\d
匹配任何十进制数字;这等价于类 [0-9]
。
\D
匹配任何非数字字符;这等价于类 [^0-9]
。
\s
匹配任何空白字符;这等价于类 [ \t\n\r\f\v]
。
\S
匹配任何非空白字符;这相当于类 [^ \t\n\r\f\v]
。
\w
匹配任何字母与数字字符;这相当于类 [a-zA-Z0-9_]
。
\W
匹配任何非字母与数字字符;这相当于类 [^a-zA-Z0-9_]
。
这些序列可以包含在字符类中。 例如,[\s,.]
是一个匹配任何空格字符的字符类或者 ','
,或 '.'
。
重复
重复中我们要了解的第一个元字符是 *
。 *
与字面字符 '*'
不匹配;相反,它指定前一个字符可以匹配零次或多次,而不是恰好一次。
例如,ca*t
将匹配 'ct'
(0个 'a'
字符),'cat'
(1个``'a'),` `'caaat'
(3个 'a'
字符),等等。
类似 *
这样的重复是 贪婪的;当重复正则时,匹配引擎将尝试尽可能多地重复它。 如果模式的后续部分不匹配,则匹配引擎将回退并以较少的重复次数再次尝试。
使用正则表达式
re
模块提供了正则表达式引擎的接口,允许你将正则编译为对象,然后用它们进行匹配。
编译正则表达式
正则表达式被编译成模式对象,模式对象具有各种操作的方法,例如搜索模式匹配或执行字符串替换。
处理反斜杠灾难: Python 的原始字符串表示法来表示正则表达式;反斜杠不以任何特殊的方式处理前缀为 'r'
的字符串字面,因此 r"\n"
是一个包含 '\'
和 'n'
的双字符字符串,而 "\n"
是一个包含换行符的单字符字符串。 正则表达式通常使用这种原始字符串表示法用 Python 代码编写。
应用匹配
一旦你有一个表示编译正则表达式的对象,你用它做什么? 模式对象有几种方法和属性。 这里只介绍最重要的内容;请参阅 re
文档获取完整列表。
方法 / 属性 | 目的 |
---|---|
match() | 确定正则是否从字符串的开头匹配。 |
search() | 扫描字符串,查找此正则匹配的任何位置。 |
findall() | 找到正则匹配的所有子字符串,并将它们作为列表返回。 |
finditer() | 找到正则匹配的所有子字符串,并将它们返回为一个 iterator。
|
首先,运行 Python 解释器,导入 re
模块,然后编译一个正则
import re
p = re.compile('[a-z]+')
现在,让我们尝试一下它应该匹配的字符串,例如 tempo
。
m = p.match('tempo')
m
<re.Match object; span=(0, 5), match='tempo'>
现在你可以检查 匹配对象 以获取有关匹配字符串的信息。 匹配对象实例也有几个方法和属性;最重要的是:
方法 / 属性 | 目的 |
---|---|
group() | 返回正则匹配的字符串 |
start() | 返回匹配的开始位置 |
end() | 返回匹配的结束位置 |
span() | 返回包含匹配 (start, end) 位置的元组
|
在实际程序中,最常见的样式是在变量中存储 匹配对象,然后检查它是否为 None
。 这通常看起来像:
p = re.compile( ... )
m = p.match( 'string goes here' )
if m:
print('Match found: ', m.group())
else:
print('No match')
两种模式方法返回模式的所有匹配项。 findall()
返回匹配字符串的列表:
p = re.compile(r'\d+')
p.findall('12 drummers drumming, 11 pipers piping, 10 lords a-leaping')
['12', '11', '10']
在这个例子中需要 r
前缀,使字面为原始字符串字面,因为普通的“加工”字符串字面中的转义序列不能被 Python 识别为正则表达式,导致 DeprecationWarning
并最终产生 SyntaxError
。 请参阅 反斜杠灾难。
findall()
必须先创建整个列表才能返回结果。 finditer()
方法将一个 匹配对象 的序列返回为一个 iterator
iterator = p.finditer('12 drummers drumming, 11 ... 10 ...')
iterator
for match in iterator:
print(match.span())
... (0, 2) (22, 24) (29, 31)
模块级别函数
你不必创建模式对象并调用其方法;re
模块还提供了顶级函数 match()
,search()
,findall()
,sub()
等等。 这些函数采用与相应模式方法相同的参数,并将正则字符串作为第一个参数添加,并仍然返回 None
或 匹配对象 实例。:
print(re.match(r'From\s+', 'Fromage amk'))
re.match(r'From\s+', 'From amk Thu May 14 19:12:10 1998')
<re.Match objec t; span=(0, 5), match='From '>
如果你正在循环中访问正则表达式,预编译它将节省一些函数调用。在循环之外,由于有内部缓存,没有太大区别。
参考
https://docs.python.org/zh-cn/3/howto/regex.html#regex-howto