盘一盘 Python 系列特别篇 - 正则表达式

本文含 10026 字，27 图表截屏

建议阅读 42 分钟

在公众号对话框回复 RE 

获取完整 Jupyter Notebook

0

引言

本文是 Python 系列的特别篇的第八篇

• 特别篇 1 - PyEcharts TreeMap
  

• 特别篇 2 - 面向对象编程

• 特别篇 3 - 两大利「器」

• 特别篇 4 - 装饰器

• 特别篇 5 - Sklearn 0.22

• 特别篇 6 - Jupyter Notebook

• 特别篇 7 - 格式化字符串

• 特别篇 8 - 正则表达式

正则表达式（Regular Expression, RE）就是一组定义某种搜索模式（pattern）的字符。

最简单的 RE 例子如下。

'steven'

很明显，这样一个 RE 只能搜索出含 steven 的字符串。

你可以用 Python 代码来验证，但现在假设我们还不会写，我们可以去 https://regex101.com/ 来验证。如下图右上角所示，匹配成功。

这样来搜索未免太傻了，有没有稍微智能一点的方法。再看下面的 RE。

^s....n$

上面的 RE 定义的模式如下：任何 6 个字符的单词，以 s 开头 (^s 的效果)，以 n 收尾 (n$ 的效果)。之所以是 6 个字符，是因为有 4 个点 (.) 加上 s 和 n 字符。用上面那个网站做验证，这个 RE ^s....n$ 的若干匹配结果如下：

• seven：不匹配（五个字母）

• strong man：不匹配（十个字母加空格）

• soften：匹配

• steven：匹配

• Steven：不匹配
  

看最后两个 steven 和 Steven，区别是第一个字母的大小写，如果我想匹配两者怎么办呢？用下面的 RE

^[s|S]....n$

中括号 [] 表示一个集合，而 | 分隔集合里面的元素，在本例是 s 和 S。意思就是匹配开头的 s 或 S，结尾是 n 的 6 字符的单词。 

这样每次固定单词长度也不太智能吧（比如长度为 n 就需要手动输入 n 个点 .），开头 s 结尾 n 的单词好多呢，我如果都想搜索出来该怎么办呢？看下面的 RE

^s[a-z]+n$

现在 sun 和 strengthen 都可以匹配出来了。起作用的是 [a-z]+，[a-z] 表示小写的字母 a 到 z 的集合，而 + 代表大于一次，联合在一起的意思就是该单词“以 s 开头，以 n 结尾，中间有大于一个的任何小写字母”。

但上述模式对单词 self-restrain 不起作用，因为有个短连接线（hyphen）。

没关系，我们把 - 加入字母集合里，写成 [a-z-]+，注意第一个 - 表示从 a 到 z，第二个 - 表示短连接线。现在可以匹配 self-restrain 了。

目前对 RE 有点感觉了吧，即便不会确切的表示也没关系，因为这就是本帖要介绍的。还是那句话，兴趣最重要，有兴趣才能有效的往下看。

本帖结构如下：

1. 原始字符串

2. 五类元字符
   

3. 七个函数

4. 三个实例

注：本帖里的 RE 可视化可参考链接 https://www.debuggex.com/。

1

原始字符串

原始字符串（raw string）是所有的字符串都是直接按照字面的意思来使用，没有转义特殊或不能打印的字符，通常简称为 r-string。

如果没有转义字符，原始字符串和普通字符串是一样的，比如

print('hello')
print(r'hello')

hello
hello

如果有转义字符（用反斜线 \），原始字符串和普通字符串是不一样的，比如

print('\blake')
print(r'\blake')

lake
\blake

因此，不管什么时候用原始字符串准没错。

2

元字符

元字符（meta character）就是一种自带特殊含义的字符，也叫特殊字符。比如 [] * + ? {} | () . ^ $ \，原字符按用途可分五类：

• 表示集合：[]

• 表示次数：* + ? {}

• 表示并列：|

• 用于提取：()

• 用于转义：. ^ $ \

首先定义一个函数，当在句子（是个字符串 str）没有发现模式 pat 时，返回“没有找到”，反之打印出所有符合模式的子字符串。

import re


def look_for(pat, str):
    return '没有找到' if re.search(pat, str) is None 
                      else re.findall(pat, str)

上面代码中的 re 是 Python 中正则表达式的库，而 search 和 findall 是包里的两个函数，顾名思义它们做的就是搜索和找出全部的意思，第三节会详解讲。

2.1

集合字符

中括号（square bracket）- []

中括号表示一个字符集，即创建的模式匹配中括号里指定字符集中的任意一个字符，字符集有三种方式来表现：

• 明确字符：[abc] 会匹配字符 a，b 或者 c

• 范围字符：[a-z] 会匹配字符 a 到 z

• 补集字符：[^6] 会匹配除了 6 以外的字符

下面我们来一一细看。

明确字符

匹配中括号里面的任意一个字符。

pat = r'[abc]'

print( look_for(pat, 'a') )
print( look_for(pat, 'ac') )
print( look_for(pat, 'cba') )
print( look_for(pat, 'steven') )

['a']
['a', 'c']
['c', 'b', 'a']
没有找到

分析如下：

该模式只匹配字符 a，b 或者 c，因此前三个例子的字符串里都有相应字符匹配，而最后例子里的 steven 不包含 a, b 或 c。

模式 [abc]  的可视图如下，注意 “One of” 是说集合里面的字符是“或”的关系。