0 正则表达式
0.1 常见的元字符
.: 匹配除\r\n之外的任何单个字符
*: 匹配前面的子表达式任意次,例如Zz*可以匹配Z,可以匹配Zz,也可以匹配Zzzzzzzzzz
+: 匹配前面的子表达式任意次,例如hh+可以匹配hh,hhh,hhhhhhhhhhhhhhh
{n}: 匹配前面的子表达式n次,例如h{5}匹配hhhhhh
{n,}: 匹配前面的子表达式至少n次,例如h{5, } 匹配hhhhhh,hhhhhhhh,hhhhhhhhhhhhhhhhhh
{n,m}: 匹配前面的子表达式n到m次
?: 匹配前面的子表达式0次或1次,等价于{0,1},如果跟在* + ? {n} {n,} {n,m}后面则代表非贪婪模式。例如hhhhh,用h+匹配得到一个结果hhhhh,用h+?则匹配到5个结果,5个都是h。
\: 转义字符,例如\\n匹配\n,\n匹配换行符,\\匹配\,\(匹配(
^: 匹配字符串的开头,例如^hello匹配hello world
$: 匹配字符串的结尾,例如scut$匹配I am from scut
[...]: 字符集,匹配中括号内的任意字符,-代表范围,^代表非,如果要表示[ ] - ^ 要在前面加上\ 或者把] - 放在首位,把^放到非首位,例如[^0-9]匹配非数字
|: 或,匹配左右表达式任意一个,如果左边匹配成功,就不再匹配右边的表达式,例如convex|function匹配convex或者匹配function
(...): 分组,作为一个整体被匹配,例如,(really ){5} 匹配really really really really really
(?P<name>...): 分组,同时起一个别名
(?P=name): 引用别名为name的分组匹配到的字符串
\<number>: 引用编号为number的分组匹配到的字符串
\d: 匹配数字,等价于[0-9]
\D: 匹配非数字,等价于[^0-9]
\s: 匹配不可见字符,等价于[\f\n\r\t\v],\t是制表符\x09,\n是换行符\x0a,\v是垂直制表符\x0b,\f是换页符\x0c,\r是回车符\x0d
\S: 匹配可见字符,等价于[^\s]
\w: 匹配包括下划线的任何单词字符(unicode字符集),类似但不等价于[A-Za-z0-9_]
\W: 匹配任何非单词字符,等价于[^\w]
1 python中的正则
1.1 反斜杠
在编程语言中使用正则表达式,当我们要匹配\的时候需要用4个\来匹配,\\\\匹配\,因为第一次编程语言会把\\\\转移成\\,然后第二次正则会把\\转移成\。如果用python的原生字符串r来写正则,则可以少写两个\,即r'\\'匹配\,r'\\d'匹配'\d',r‘\d’则匹配数字
1.2 re模块的使用
# 首先将正则表达式编译成Pattern对象 pattern = re.compile('keras') # 可以用Pattern对象的match方法匹配文本,从头开始但不要求完全的匹配,可在最后加入$则是完全匹配,返回Match对象或None match = pattern.match('keras is a high-level neural networks API') # 也可以用Pattern对象的search方法匹配文本,在文本中寻找子串的匹配,返回Match对象或None match = pattern.search('keras is a high-level neural networks API') # 用Match对象的方法输出匹配结果 if match: print match.group() # 另外可以直接使用re的方法进行匹配,这样省了编译那一行,但是不能复用。 re.match('tensorflow', 'tensorflow is an open-source library for Machine Intelligence') re.search('Machine Intelligence', 'tensorflow is an open-source library for Machine Intelligence')
1.3 re.compile(pattern, flags=0)
返回:Pattern对象
pattern: 字符串形式的正则表达式,可利用上文的元字符和普通字符进行一系列组合得到
flags: 匹配模式,分为如下几个(可用|使用多个,如re.I | re.
re.I或re.IGNORECASE:忽略大小写
re.L或re.LOCALE:使用当地locale。(python中有个locale模块,locale代表不同的语言,地区和字符集)
re.U或re.UNICODE:使用unicode的locale
re.M或re.MULTILINE:使用^或$时会匹配每一行的行首或行尾
re.S或re.DOTALL:使用.时能匹配换行符
re.X或re.VERBOX:忽略空白字符,而且可以加入注释
1.4 Pattern对象
Pattern对象代表一个正则表达式,包含如下几个方法,这些方法在re都有对应的方法,参数略有不同,下面也一起给出
match(string, pos=0, endpos=-1) | re.match(pattern, string, flags=0): 从头开始匹配,返回一个Match对象或None。
search(string, pos=0, endpos=-1) | re.search(pattern, string, flags=0): 寻找子串的匹配,返回一个Match对象或None
split(string, maxsplit=0) | re.split(pattern, string, maxsplit=0, flags=0): 按照pattern切割string,maxsplit表示最大切割次数
findall(string , pos=0, endpos=-1) | re.findall(pattern, string, flags=0): 搜索返回全部能匹配的子串
finditer(string, pos=0, endpos=-1) | re.finditer(pattern, string, flags=0): 搜索返回match对象的迭代器
sub(repl, string, count=0) | re.sub(pattern, repl, string, count=0, flags=0): 使用repl替换string中能匹配的每一个子串,返回替换后的子串,count指定最多替换次数。
subn(repl, string, count=0) | re.subn(pattern, repl, string, count=0, flags=0): 相比于sub,多返回了一个次数,组成tuple。
1.5 Match对象
Match对象代表匹配的结果,包含匹配的相关信息。
包含如下属性:string, re( 匹配时使用的Pattern对象), pos, endpos, lastindex(最后一个匹配的分组的下标), lastgroup(最后一个匹配的分组的别名)
包含如下方法:
group(group1, group2, group3,...):
返回一个或多个组匹配的子串,不填写参数默认为group(0),代表整个匹配的子串。
group1可以是编号,也可以是组的别名。
没匹配到的组返回None,匹配到多个子串的组返回最后一个。
groups(default=None): 返所有组匹配的子串。当组没有匹配到子串时候返回default。
groupdict(default=None): 返回字典,键为组的别名,值为该组匹配到的子串。没有别名的组不返回。
start(groupNum=0): 返回指定组匹配的子串在string中的开始下标,没有匹配则返回-1
end(groupNum=0): 返回指定组匹配的子串在string中的结束下标,没有匹配则返回-1
span(group=0): 返回(start(group), end(group))
1.6 unicode编码
python中re模块的正则最好统一使用unicode编码,即u'...'的形式。
因为之前没有使用unicode,在匹配中文的时候出现了匹配错误的结果。
猜测是re模块里的方法默认使用unicode编码来执行的。