文章目录
正则表达式 & re模块
1. 正则表达式的定义
正则表达式
是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串
”,这个“规则字符串”用来表达对字符串的一种过滤逻辑- pyhton内置库提供了
re
模块,提供正则表达式的表达和方法
2. 正则表达式的匹配规则
- 内容匹配规则
表示 | 含义 |
---|---|
\A | 表示从字符串的开始处匹配 |
\Z | 表示从字符串的结束处匹配,如果存在换行,只匹配到换行前的结束字符串 |
\b | 匹配一个单词边界,也就是指单词和空格间的位置。例如, ‘py\b’ 可以匹配"python" 中的 ‘py’,但不能匹配 “openpyxl” 中的 ‘py’ |
\B | 匹配非单词边界。 ‘py\b’ 可以匹配"openpyxl" 中的 ‘py’,但不能匹配"python" 中的 ‘py’ |
\d | 匹配任意数字,等价于 [0-9] |
\D | 匹配任意非数字字符,等价于 [^\d] |
\s | 匹配任意空白字符,等价于 [\t\n\r\f] |
\S | 匹配任意非空白字符,等价于 [^\s] |
\w | 匹配任意字母数字及下划线,等价于[a-zA-Z0-9_] |
\W | 匹配任意非字母数字及下划线,等价于[^\w] |
\\ | 匹配原义的反斜杠\ |
. | 用于匹配除换行符(\n)之外的所有字符 |
- 位置限制
表示 | 含义 |
---|---|
^ | 用于匹配字符串的开始,即行首 |
$ | 用于匹配字符串的末尾(末尾如果有换行符\n,就匹配\n前面的那个字符),即行尾 |
- 定义正则验证次数
表示 | 含义 |
---|---|
* | 用于将前面的模式匹配0次或多次(贪婪模式,即尽可能多的匹配) |
+ | 用于将前面的模式匹配1次或多次(贪婪模式) |
? | 用于将前面的模式匹配0次或1次(贪婪模式) |
{m} | 用于验证将前面的模式匹配m次 |
{m,} | 用于验证将前面的模式匹配m次或者多次 |
{m,n} | 用于验证将前面的模式匹配大于等于m次并且小于等于n次 |
*?,+?,?? | 即上面三种特殊字符的非贪婪模式(尽可能少的匹配) |
{m,n}? | 即上面{m,n} 的非贪婪版本。 |
\\ | 转义字符,在特殊字符前面加上\ ,特殊字符就失去了其所代表的含义 |
[ ] | 用于标示一组字符,如果^是第一个字符,则标示的是一个补集 |
| | 比如A|B 用于匹配 A 或 B |
( ) | 用于匹配括号中的模式,可以在字符串中检索或匹配我们所需要的内容 |
[\u4e00-\u9fa5] | 中文匹配范围 |
3. re模块使用方法
- 使用
re
模块有两种方式:- 一是先使用
re.compile
函数生成一个Pattern
对象,然后使用Pattern
对象的一系列方法对文本进行匹配查找 - 直接使用
re.match
,re.search
和re.findall
等函数直接对文本匹配查找
- 一是先使用
- 两种方法本质上可以说式一样的,生成
Pattern
对象后,直接使用的函数即变成了Pattern
对象的方法 - 如果一个正则表达式需要用到多次,在多种场合经常需要被用到,出于效率的考虑,我们应该预先编译该正则表达式,生成一个
Pattern
对象,再使用该对象的一系列方法对需要匹配的文件进行匹配,因此常使用第一种方法
3.1 compile 函数
- 用于编译正则表达式,生成一个
Pattern
对象 - 使用形式如下:
re.compile(pattern[, flag])
pattern
是一个字符串形式的正则表达式flag
是一个可选参数,表示匹配模式,比如忽略大小写,多行模式
- 当然,并不是一定需要先使用该函数生成pattern后,也可以直接在具体的函数方法中输入正则表达式
3.2 match 方法
-
match
方法用于查找字符串的头部(也可以指定起始位置)进行一次匹配 -
使用形式:
match(string[, pos[, endpos]])
string
是待匹配的字符串pos
和endpos
是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)
-
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None
-
使用示例如下:
import re
pattern = re.compile(r'\d+') # 生成一个Pattern对象, 匹配至少一个数字
m = pattern.match('one12twothree34four') # 查找头部,没有匹配
print(m)
m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配,没有匹配
print(m)
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
print(m.group(0)) # 可省略 0
print(m.start(0)) # 可省略 0
print(m.end(0)) # 可省略 0
print(m.span(0)) # 可省略 0
- 省略
compile
函数的使用
import re
m = re.match(r'\d+','12twothree34four') # 从'e'的位置开始匹配,没有匹配
print(m) # 返回一个 Match 对象
print(m.group(0)) # 可省略 0
print(m.start(0)) # 可省略 0
print(m.end(0)) # 可省略 0
print(m.span(0)) # 可省略 0
- 当匹配成功时返回一个 Match 对象,该对象可使用如下方法:
方法 | 说明 |
---|---|
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)) |
3.3 search 方法
search
方法用于查找字符串的任何位置,也是一次匹配,只要找到了一个匹配的结果就返回- 使用形式:
search(string[, pos[, endpos]])
- 当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None
3.4 findall 方法
- 搜索整个字符串,获得所有的匹配的结果
- 使用形式:
findall(string[, pos[, endpos]])
- 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表
3.5 finditer 方法
finditer
方法的行为跟findall
的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器
- 使用示例
import re
pattern = re.compile(r'\d+')
result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 16)
print(type(result_iter1))
print(type(result_iter2))
print('result1 :')
for m1 in result_iter1: # m1 是 Match 对象
print ('matching string: {}, position: {}'.format(m1.group(), m1.span()))
print ('result2 :')
for m2 in result_iter2:
print ('matching string: {}, position: {}'.format(m2.group(), m2.span()))
3.6 split 方法
split
方法按照能够匹配的子串将字符串分割后返回列表- 使用形式 :
split(string[, maxsplit])
maxsplit
用于指定最大分割次数,不指定将全部分割
- 使用案例:
import re
p = re.compile(r'[\s\,\;]+')
print (p.split('a,b;; c d')) # 用空白字符或者","或者";"字符分割字符串
# 结果 :['a', 'b', 'c', 'd']
print (p.split('a,b;; c d', 2)) # 分割2次
# 结果 :['a', 'b', 'c d']
3.7 sub 方法
- sub 方法用于替换
- 使用形式:
sub(repl, string[, count])
repl
可以是字符串也可以是一个函数:如果repl
是字符串,则会使用repl
去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl
还可以使用\id
的形式来引用分组,但不能使用编号 0;如果repl
是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。count
用于指定最多替换次数,不指定时全部替换
- 示例:
import re
p = re.compile(r'(\w+) (\w+)') # 匹配任意字母数字及下划线, 至少一次
s = 'hello 123, hello 456'
def func(m):
return 'hi' + ' ' + m.group(2)
print (p.sub(r'hello world', s)) # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
# >>> hello world, hello world
print (p.sub(r'\2 \1', s)) # 引用分组
# >>> 123 hello, 456 hello
print (p.sub(func, s))
# >>> hi 123, hi 456
print (p.sub(func, s, 1)) # 最多替换一次
# >>> hi 123, hello 456
3.8 subn 方法
subn
方法跟sub
方法的行为类似,也用于替换- 使用形式:
subn(repl, string[, count])
- 返回一个元组:
(sub(repl, string[, count]), 替换次数)
,元组有两个元素,第一个元素是使用sub
方法的结果,第二个元素返回原字符串被替换的次数
import re
p = re.compile(r'(\w+) (\w+)') # 匹配任意字母数字及下划线, 至少一次
s = 'hello 123, hello 456'
def func(m):
return 'hi' + ' ' + m.group(2)
print (p.subn(r'hello world', s)) # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
# >>> ('hello world, hello world', 2)
print (p.subn(r'\2 \1', s)) # 引用分组
# >>> ('123 hello, 456 hello', 2)
print (p.subn(func, s))
# >>> ('hi 123, hi 456', 2)
print (p.subn(func, s, 1)) # 最多替换一次
# >>> ('hi 123, hello 456', 1)
3.9 匹配中文
- 中文的 unicode 编码范围 主要在
[\u4e00-\u9fa5]
,因此用这个范围来匹配中文 - 该范围并不是完整范围,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的
- 常在正则表达式前面加上了两个前缀
ur
,其中r
表示使用原始字符串,u
表示是unicode
字符串
感谢阅读 若有错误 敬请见谅 !!!