文章目录
正则表达式:
- 本质:就是用于处理字符串的一种方式
语法:
元字符:. ^ $ * + ? { } [ ] \ | ( )
^ 行首匹配,和在[]里的^不是一个意思
$ 行尾匹配
* 匹配0次或者无数次
+ 至少匹配一次或者无数多次
? 匹配0次或者1次
{} {n} 匹配确定的n个x(n是一个非负整数)
{n,} 匹配至少n个x
{n,m} 匹配至少n个最多m个x。注意:n <= m
[ ] 字符类 匹配所包含的任意一个字符
1、连字符 - 如果出现在字符串中表示字符范围描述;如果出现在首位则仅作为普通字符
2、特殊字符仅有反斜线 \ 保持特殊含义,用于转义字符,其他字符如 * + ? 等均作为普通字符串匹配
3、脱字符 ^ 如果出现在首位则表示不包含其中的任意字符;如果 ^ 出现在字符串中间就仅作为普通字符匹配
\ 转义字符
| 或
( ) 组
匹配单个字符与数字
. 匹配除换行符以外的任意字符
[0123456789] []是字符集合,表示匹配方括号中所包含的任意一个字符
[good] 匹配good中任意一个字符
[a-z] 匹配任意小写字母
[A-Z] 匹配任意大写字母
[0-9] 匹配任意数字,类似[0123456789]
[0-9a-zA-Z] 匹配任意的数字和字母
[0-9a-zA-Z_] 匹配任意的数字、字母和下划线
[^good] 匹配除了good这几个字母以外的所有字符,中括号里的^称为脱字符,表示不匹配集合中的字符
[^0-9] 匹配所有的非数字字符
\d 匹配数字,效果同[0-9]
\D 匹配非数字字符,效果同[^0-9]
\w 匹配数字,字母和下划线,效果同[0-9a-zA-Z_]
\W 匹配非数字,字母和下划线,效果同[^0-9a-zA-Z_]
\s 匹配任意的空白符(空格,回车,换行,制表,换页),效果同[ \r\n\t\f]
\S 匹配任意的非空白符,效果同[^ \f\n\r\t]
flag
ASCII, A -------------使得转义符号如 \w,\b,\s 和 \d 只能匹配 ASCII 字符
DOTALL, S -------------使得 . 匹配任何符号,包括换行符
IGNORECASE, I ---------匹配的时候不区分大小写
LOCALE, L -------------支持当前的语言(区域)设置
MULTILINE, M ---------多行匹配,影响 ^ 和 $
VERBOSE, X (for 'extended') ---------启用详细的正则表达式
下面我们来详细讲解一下它们的含义:
A
ASCII
使得 \w,\W,\b,\B,\s 和 \S 只匹配 ASCII 字符,而不匹配完整的 Unicode 字符。这个标志仅对 Unicode 模式有意义,并忽略字节模式。
S
DOTALL
使得 . 可以匹配任何字符,包括换行符。如果不使用这个标志,. 将匹配除了换行符的所有字符。
I
IGNORECASE
字符类和文本字符串在匹配的时候不区分大小写。举个例子,正则表达式 [A-Z] 也将会匹配对应的小写字母,像 FishC 可以匹配 FishC,fishc 或 FISHC 等。如果你不设置 LOCALE,则不会考虑语言(区域)设置这方面的大小写问题。
L
LOCALE
使得 \w,\W,\b 和 \B 依赖当前的语言(区域)环境,而不是 Unicode 数据库。
区域设置是 C 语言的一个功能,主要作用是消除不同语言之间的差异。例如你正在处理的是法文文本,你想使用 \w+ 来匹配单词,但是 \w 只是匹配 [A-Za-z] 中的单词,并不会匹配 ‘é’ 或 ‘ç’。如果你的系统正确的设置了法语区域环境,那么 C 语言的函数就会告诉程序 ‘é’ 或 ‘ç’ 也应该被认为是一个字符。当编译正则表达式的时候设置了 LOCALE 的标志,\w+ 就可以识别法文了,但速度多少会受到影响。
M
MULTILINE
(^ 和 $ 我们还没有提到,别着急,后边我们有细讲…)
通常 ^ 只匹配字符串的开头,而 $ 则匹配字符串的结尾。当这个标志被设置的时候,^ 不仅匹配字符串的开头,还匹配每一行的行首;& 不仅匹配字符串的结尾,还匹配每一行的行尾。
X
VERBOSE
这个标志使你的正则表达式可以写得更好看和更有条理,因为使用了这个标志,空格会被忽略(除了出现在字符类中和使用反斜杠转义的空格);这个标志同时允许你在正则表达式字符串中使用注释,# 符号后边的内容是注释,不会递交给匹配引擎(除了出现在字符类中和使用反斜杠转义的 #)。
下边是使用 re.VERBOSE 的例子,大家看下正则表达式的可读性是不是提高了不少:
charref = re.compile(r"""
&[#] # 开始数字引用
(
0[0-7]+ # 八进制格式
| [0-9]+ # 十进制格式
| x[0-9a-fA-F]+ # 十六进制格式
)
; # 结尾分号
""", re.VERBOSE)
如果没有设置 VERBOSE 标志,那么同样的正则表达式会写成:
charref = re.compile("&#(0[0-7]+|[0-9]+|x[0-9a-fA-F]+);") -----------可读性太差
贪婪与非贪婪
?在条件后面加冒号就是非贪婪
在python中的re模块中,所有方法都是贪婪模式匹配
re模块
方法
p = re.compile(re) ------将正则表达式保存起来,复用方便。。 p.findall(string)
re.match(re,string) 判断一个正则表达式是否从开始处匹配一个字符串
re.search(re,string) 遍历字符串,找到正则表达式匹配的第一个位置
re.findall(re,string) 遍历字符串,找到正则表达式匹配的所有位置,并以列表的形式返回
re.finditer(re,string) 遍历字符串,找到正则表达式匹配的所有位置,并以迭代器的形式返回
re.spilt(re,string) 遍历字符串,找到正则表达式匹配的所有位置,以正则表达式分割字符串
re.sub(re,[string | func()],string) 遍历字符串,找到正则表达式匹配的所有位置,以正则表达式替换字符串,返回新的字符串
re.subn(re,[string | func()],string) 遍历字符串,找到正则表达式匹配的所有位置,以正则表达式替换字符串,返回一个元祖,(新的字符串,替换的个数)
m = re.sub("dog|cat", "mouse", "dog and cat")
print(m) # mouse and mouse
m = re.subn("dog|cat", "mouse", "dog and cat")
print(m) # ('mouse and mouse', 2)
match()和search() 如果没有找到任何匹配的话,match() 和 search() 会返回 None;如果匹配成功,则会返回一个匹配对象(match object)
匹配成功返回的对象的方法
group() 返回匹配的字符串 -----所有的re方法都有
start() 返回匹配的开始位置
end() 返回匹配的结束位置
span() 返回一个元组表示匹配位置(开始,结束)
import re
a = re.search(r"l", " lk hiug hg hvjv v bkbnj"