正则表达式
通过使用正则表达式,可以
- 测试字符串内的模式:
例如,可以测试输入字符串,以查看字符串内是否出现电话号码模式或信用卡号模式。这称为数据验证 - 替换文本:
可以使用正则表达式来识别文档中的特定文本,完全删除该文本或者用其他文本来替换它 - 基于模式匹配从字符串中提取字符串:
可以查找文档内或者输入域内特定的文本
Python 正则表达式
正则表达式是一个特殊的字符序列,能方便检查一个字符串是否与某种模式匹配
re 模块使 Python 拥有了全部的正则表达式功能
re.match
函数
re.match
尝试从字符串的起始位置匹配一个模式,如果不是起始位置匹配成功的话,match()
就返回 none
函数语法:
re.match(pattern, string, flags=0)
函数参数说明:
pattern
: 匹配的正则表达式
string
: 要匹配的字符串
flags
: 标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等,
匹配成功 re.match
方法返回一个匹配的对象,否则返回 None
可以使用 group(num)
或者 groups()
匹配对象函数来获得匹配表达式
匹配对象方法:
group(num=0)
: 匹配的整个表达式的字符串,group()
可以一次输入多个组号,在这种情况下,它将返回一个包含哪些组所对应值的元组
groups()
: 返回一个包含所有小组字符串的元组,从1到所含的小组号
实例1:
import re
print(re.match('www', 'www.baidu.com').span()) # 在起始位置匹配
print(re.match('www', 'www.baidu.com'))
print(re.match('com', 'www.baidu.com')) # 不在起始位置匹配
结果:
(0, 3)
<re.Match object; span=(0, 3), match='www'>
None
实例2:
import re
line = 'Cats are smarter than dogs'
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)
if matchObj:
print('matchObj.group(): ', matchObj.group())
print('matchObj.group(1): ', matchObj.group(1))
print('matchObj.group(2): ', matchObj.group(2))
print('matchObj.groups(): ', matchObj.groups())
else:
print('No match!!')
结果:
matchObj.group(): Cats are smarter than dogs
matchObj.group(1): Cats
matchObj.group(2): smarter
matchObj.groups(): ('Cats', 'smarter')
re.search
方法
re.search
扫描整个字符串并返回第一个成功的匹配。
函数语法:
re.search(pattern, string, flags=0)
参数说明:
pattern
: 匹配的正则表达式
string
: 要匹配的字符串
flags
: 标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等
匹配成功,re.search
方法返回一个匹配的对象,否则返回 None
可以使用 group(num)
或者 groups()
匹配对象函数来获取匹配表达式,同上
实例1:
import re
rint(re.search('www', 'www.runoob.com').span()) # 在起始位置
print(re.search('www', 'www.runoob.com'))
print(re.search('com', 'www.runoob.com').span()) # 不在起始位置匹配
print(re.search('com', 'www.runoob.com'))
print(re.search('cun', 'www.runoob.com'))
结果:
(0, 3)
<re.Match object; span=(0, 3), match='www'>
(11, 14)
<re.Match object; span=(11, 14), match='com'>
None
实例2:
import re
line = 'Cats are smarter than dogs'
searchObj = re.search(r'(.*) are (.*?) .*', line, re.M|re.I)
if searchObj:
print('searchObj.group(): ', searchObj.group())
print('searchObj.group(1): ', searchObj.group(1))
print('searchObj.group(2): ', searchObj.group(2))
print('searchObj.groups(): ', searchObj.groups())
else:
print('Nothing found!!')
结果:
searchObj.group(): Cats are smarter than dogs
searchObj.group(1): Cats
searchObj.group(2): smarter
searchObj.groups(): ('Cats', 'smarter')
re.match
与 re.search
的区别
re.match
只匹配字符串的开始,如果字符串开始不符合正则表达式,则匹配失败,函数返回 None
;而 re.search
匹配整个字符串,直到找到一个匹配。
实例:
import re
line = 'Cats are smarter than dogs'
matchObj = re.match(r'dogs', line, re.M|re.I)
if matchObj:
print('match --> matchObj.group(): ', matchObj.group())
else:
print('No match!')
searchObj = re.search(r'dogs', line, re.M|re.I)
if searchObj:
print('search --> searchObj.group(): ', searchObj.group())
else:
print('No search!')
结果:
No match!
search --> searchObj.group(): dogs
re.sub
替换匹配项
语法:
re.sub(pattern, repl, string, count=0, flags=0)
pattern
: 正则中的模式字符串。
repl
: 替换的字符串,也可为一个函数。
string
: 要被查找替换的原始字符串。
count
: 模式匹配后替换的最大次数,默认 0 表示替换所有的匹配。
import re
phone = "2004-959-559 # 这是一个国外电话号码"
# 删除字符串中的 Python注释
num = re.sub(r'#.*$', "", phone)
print "电话号码是: ", num
# 删除非数字(-)的字符串
num = re.sub(r'\D', "", phone)
print "电话号码是 : ", num
结果:
电话号码是: 2004-959-559
电话号码是 : 2004959559
当 repl
参数是一个函数:
# 将匹配的数字乘以 2
def double(matched):
value = int(matched.group('value'))
return str(value * 2)
s = 'A23G4HFD567'
print(re.sub('(?P<value>\d+)', double, s))
结果:
A46G8HFD1134
re.compile
编译正则表达式
语法:
re.compile(pattern[, flags])
pattern
: 一个字符串形式的正则表达式
flags
: 可选,表示匹配模式,比如忽略大小写,多行模式等,具体参数为:
re.I
忽略大小写
re.L
表示特殊字符集 \w, \W, \b, \B, \s, \S
依赖于当前环境
re.M
多行模式
re.S
即为 . 并且包括换行符在内的任意字符(. 不包括换行符)
re.U
表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S
依赖于 Unicode 字符属性数据库
re.X
为了增加可读性,忽略空格和 #
后面的注释
>>>import re
>>> pattern = re.compile(r'\d+') # 用于匹配至少一个数字
>>> m = pattern.match('one12twothree34four') # 查找头部,没有匹配
>>> print(m)
None
>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配,没有匹配
>>> print(m)
None
>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配,正好匹配
>>> print(m) # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0) # 可省略 0
'12'
>>> m.start(0) # 可省略 0
3
>>> m.end(0) # 可省略 0
5
>>> m.span(0) # 可省略 0
(3, 5)
在上面,当匹配成功时返回一个 Match 对象,其中:
group([group1, …])
:方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group()
或 group(0)
;
start([group])
:方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;
end([group])
:方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;
span([group])
:方法返回 (start(group), end(group))
。
>>>import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写
>>> m = pattern.match('Hello World Wide Web')
>>> print(m) # 匹配成功,返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整个子串
'Hello World'
>>> m.span(0) # 返回匹配成功的整个子串的索引
(0, 11)
>>> m.group(1) # 返回第一个分组匹配成功的子串
'Hello'
>>> m.span(1) # 返回第一个分组匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二个分组匹配成功的子串
'World'
>>> m.span(2) # 返回第二个分组匹配成功的子串
(6, 11)
>>> m.groups() # 等价于 (m.group(1), m.group(2), ...)
('Hello', 'World')
>>> m.group(3) # 不存在第三个分组
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: no such group
findall
查找所有匹配子串
语法:
findall(string[, pos[, endpos]])
string
: 待匹配的字符串。
pos
: 可选参数,指定字符串的起始位置,默认为 0。
endpos
: 可选参数,指定字符串的结束位置,默认为字符串的长度。
import re
pattern = re.compile(r'\d+') # 查找数字
result1 = pattern.findall('runoob 123 google 456')
result2 = pattern.findall('run88oob123google456', 0, 10)
print(result1)
print(result2)
结果:
['123', '456']
['88', '12']
多个匹配模式,返回元组列表:
import re
result = re.findall(r'(\w+)=(\d+)', 'set width=20 and height=10')
print(result)
结果:
[('width', '20'), ('height', '10')]
re.finditer
查找所有子串
re.finditer(pattern, string, flags=0)
pattern
:匹配的正则表达式。
string
:要匹配的字符串。
flags
:标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等。参见:正则表达式修饰符 - 可选标志
import re
it = re.finditer(r"\d+","12a32bc43jf3")
for match in it:
print (match.group() )
结果:
12
32
43
3
re.split
方法按照能够匹配的子串将字符串分割后返回列表:
re.split(pattern, string[, maxsplit=0, flags=0])
pattern
:匹配的正则表达式
string
:要匹配的字符串。
maxsplit
:分隔次数,maxsplit=1
分割一次,默认为 0,不限制次数。
flags
:标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等。参见:正则表达式修饰符 - 可选标志
正则表达式修饰符
正则表达式可以包含一些可选标志修饰符来控制匹配的模式。
修饰符被指定为一个可选的标志。
多个标志可以通过按位 OR( |
) 它们来指定。如 re.I | re.M
被设置成 I 和 M 标志:
修饰符 | 描述 |
---|---|
re.I | 使匹配对大小写不敏感 |
re.L | 做本地化识别(locale-aware)匹配 |
re.M | 多行匹配,影响 ^ 和 $ |
re.S | 使 . 匹配包括换行在内的所有字符 |
re.U | 根据 Unicode 字符集解析字符。这个标志影响 \w, \W, \b, \B |
re.X | 该标志通过给予你更灵活的格式以便你将正则表达式写得更易于理解 |
正则表达式模式
模式字符串使用特殊的语法来表示一个正则表达式:
字母和数字表示他们自身。一个正则表达式模式中的字母和数字匹配同样的字符串。
多数字母和数字前加一个反斜杠时会拥有不同的含义。
标点符号只有被转义时才匹配自身,否则它们表示特殊的含义。
反斜杠本身需要使用反斜杠转义。
由于正则表达式通常都包含反斜杠,所以你最好使用原始字符串来表示它们。模式元素(如 r’\t’,等价于 ‘\t’)匹配相应的特殊字符。
示例
字符匹配:
python
: 匹配 "python"
字符类:
模式 | 描述 |
---|---|
[Pp]ython | 匹配 “Python” 或 “python” |
rub[ye] | 匹配 “ruby” 或 “rube” |
[aeiou] | 匹配中括号内的任意一个字母 |
[0-9] | 匹配任何数字。类似于 [0123456789] |
[a-z] | 匹配任何小写字母 |
[A-Z] | 匹配任何大写字母 |
[a-zA-Z0-9] | 匹配任何字母及数字 |
[^aeiou] | 除了aeiou字母以外的所有字符 |
[^0-9] | 匹配除了数字外的字符 |
特殊字符:
模式 | 描述 |
---|---|
. | 匹配除 " \n " 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符,请使用象 '[.\n]' 的模式。 |
\d | 匹配一个数字字符。等价于 [0-9] 。 |
\D | 匹配一个非数字字符。等价于 [^0-9] 。 |
\s | 匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v] 。 |
\S | 匹配任何非空白字符。等价于 [^ \f\n\r\t\v] 。 |
\w | 匹配包括下划线的任何单词字符。等价于 '[A-Za-z0-9_]' 。 |
\W | 匹配任何非单词字符。等价于 '[^A-Za-z0-9_]' 。 |