1.正则表达式的简介
1.1 概念
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
1.2 正则表达式的应用场景
• 表单验证(例如 : 手机号、邮箱、身份证… )
• 爬虫
2. 正则表达式对Python的支持
2.1 普通字符
字母、数字、汉字、下划线、以及没有特殊定义的符号,都是"普通字符"。正则
表达式中的普通字符,在匹配的时候,只匹配与自身相同的一个字符。
例如:表达式c,在匹配字符串abcde时,匹配结果是:成功;匹配到的内容
是c;匹配到的位置开始于2,结束于3。(注:下标从0开始还是从1开始,因
当前编程语言的不同而可能不同)
match()函数
• match(pattern, string, flags=0)
• 第一个参数是正则表达式,如果匹配成功,则返回一个match对象,否则返回一个None
• 第二个参数表示要匹配的字符串
• 第三个参数是标致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
import re
# 正则表达式
pattern = 'pyth'
s = 'pythonn and java'
result = re.match(pattern,s)
if result:
print(result.group()) # pyth
print(result.start()) # 0
print(result.end()) # 4
print(result.span()) #(0,4)
else:
print('没有匹配到')
2.2 元字符
正则表达式中使⽤了很多元字符,⽤来表示⼀些特殊的含义或功能
表达式 | 匹配 |
---|---|
. | 小数点可以匹配除了换行符 \n 以外的任意一个字符 |
I | 逻辑或操作符 |
[ ] | 匹配字符集中的一个字符 |
[ ^ ] | 对字符集求反,也就是上面的反操作,尖号必须在方括号的最前面 |
- | 定义[ ]里面的一个字符区间,例如[1-9] |
\ | 对紧跟其后的一个字符进行转义 |
( ) | 对表达式进行分组,将圆括号内的内容当做一个整体,并获得匹配的值 |
一些无法书写或者具有特殊功能的字符,采用在前面加斜杠进行转义的方法。
例如下表所示
表达式 | 匹配 |
---|---|
\r,\n | 匹配回车和换行符 |
\t | 匹配制表符 |
\\ | 匹配斜杆 \ |
\ ^ | 匹配尖号^ |
\$ | 匹配$ |
\. | 匹配小数点 . |
尚未列出的还有问号?、星号*和括号等其他的符号。所有正则表达式中具有特殊含义的字符在匹配自身的时候,都要使用斜杠进行转义。这些转义字符的匹配用法与普通字符类似,也是匹配与之相同的一个字符
2.3 预定义匹配字符集
正则表达式中的一些表示方法,可以同时匹配某个预定义字符集中的任意一个字符。比如,表达式\d可以匹配任意一个数字。虽然可以匹配其中任意字符,但是只能是一个,不是多个
表达式 | 匹配 |
---|---|
\d | 0~9任意一个数字 |
\w | 任意一个字母或数字或下划线,也就是A-Z,a-z,0-9,_中的任意一个 |
\s | 空格、制表符、换页符等空白字符的其中任意一个 |
\D | \d的反集,也就是非数字的任意一个字符,等于[^\d] |
2.4 重复匹配
前面的表达式,无论是只能匹配一种字符的表达式,还是可以匹配多种字符其中任意一个的表达式,都只能匹配一次。但是有时候我们需要对某个字段进行重复匹配,例如手机号码13666666666,一般的新手可能会写成\d\d\d\d\d\d\d\d\d\d\d(注意,这不是一个恰当的表达式),不但写着费劲,看着也累,还不⼀定准确恰当。
这种情况可以使用表达式再加上修饰匹配次数的特殊符号{},不但重复书写表达式就可以重复匹配。例如[abcd][abcd]可以写成[abcd]{2}
表达式 | 匹配 |
---|---|
{n} | 表达是重复n次,例如\d{2}相当于\d\d,a{3}相当于aaa |
{m,n} | 表示至少执行m次,最多执行n次,例如ab{1,3}可以匹配ab或abb或者abbb |
{m,} | 至少执行m次,例如\w\d{2,}可以匹配a12,_111,M123等 |
? | 匹配表达式0次或者1次,相当于{0,1} ,比如a[cd]?可以匹配a,ac,ad |
+ | 表达式至少出现一次,相当于{1,},例如a+b?可以匹配ab,ab,abb… |
2.5 位置匹配和非贪婪匹配
位置匹配
表达式 | 匹配 |
---|---|
^ | 在字符串开始的地方匹配,符号本身不匹配任何字符 |
$ | 在字符串结束的时候匹配,符号本身不匹配任何字符 |
\b | 匹配一个单词的边界,也就是单词和空格之间的位置,符号本身不匹配任何字符 |
\B | 匹配非单词边界,即左右两边都是\w范围或者左右两边都不是\w范围时的字符间隙 |
有时候,我们对匹配出现的位置有要求,比如开头、结尾、单词之间等等
贪婪与非贪婪模式
在重复匹配时,正则表达式默认总是尽可能多的匹配,这被称为贪婪模式。
例如,针对文本dxxxdxxxd,表达式(d)(\w+)(d)中的\w+将匹配第一个d和最后一个d之间的所有字符xxxdxxx。可见,\w+在匹配的时候,总是尽可能多的匹配符合它规则的字符。
同理,带有?、*和{m,n}的重复匹配表达式都是尽可能地多匹配.
校验数字的相关表达式:
功能 | 表达式 |
---|---|
数字 | ^ [0-9]*$ |
n位的数字 | ^ \d{n}$ |
至少n位的数字 | ^ \d{n,}$ |
零和非零开头的数字 | ^ (0I[1-9][0-9]*)$ |
有两位小数的正实数 | ^ [0-9]+(.[0-9]{2})?$ |
非零的负整数 | ^-[1-9]\d*$ |
非负浮点数 | ^\d+(\d+)?$ |
浮点数 | ^ (-?\d+)(.\d+)?$ |
特殊场景的表达式:
功能 | 表达式 |
---|---|
Email地址 | ^\w+([-+.]\w+)*@\w+ |
域名 | [a-zA-z0-9] [-a-zA-z0-9]{0,62}(/.[a-zA-z0-9][-a-zA-z0-9]{0,62})+/. |
手机号码 | ^(13[0-9]I14[5 I 7]I15[0I1I2I3I5I6I7I8I9]I18[0I1I2I3I5I6I7I8I9])\d{8}$ |
身份证号 | ^\d{15}I\d{18}$(15位、18位数字) |
日期格式 | ^\d{4}-\d{1,2}- |
空白行的正则表达式 | \n\s*\r(可以用来删除空白行) |
IP地址提取 | \d+.\d+.\d+.\d+ |
3. re模块常用方法
compile(pattern, flags=0)
这个⽅法是re模块的工厂法,⽤于将字符串形式的正则表达式编译为Pattern模式对象,可以实现更加效率的匹配。第二个参数flag是匹配模式 使用compile()完成一次转换后,再次使用该匹配模式的时候就不能进行转换了。经过compile()转换的正则表达式对象也能使用普通的re⽅法
import re
pattern = re.compile(r'\d+') # 用于匹配至少一个数字
g = pattern.match('abc123efghi678') # 查找头部,没有匹配
print (g) # None
h = pattern.match('abc123efghi678', 2, 10)
# 从'c'的位置开始匹配,没有匹配
print( h) # None
m = pattern.match('abc123efghi678', 3, 10)
# 从'1'的位置开始匹配,正好匹配
print (m) # 返回一个 Match 对象
#<_sre.SRE_Match object; span=(3, 6), match='123'>
a = m.group(0) # 可省略 0
print(a) # '123'
b = m.start(0)
print(b) # '3'
m.end(0)
print(c) # '6'
m.span(0)
print(d) #
flag匹配模式
匹配模式 | 描述 |
---|---|
re.A | ASCII字符模式 |
re.I | 使匹配对大小写不敏感,也就是不区分大小写的模式 |
re.L | 做本地化识别(locale-aware)匹配 |
re.M | 多行匹配影响^和$ |
search(pattern, string, flags=0)
在文本内查找,返回第一个匹配到的字符串。它的返回值类型和使用方法与match()是一样的,唯一的区别就是查找的位置不用固定在文本的开头
import re
line = "Balana is sweeter than Orange ~ ";
matchObj = re.match( r'Orange', line, re.M|re.I)
if matchObj:
print "匹配成功 : ", matchObj.group()
else:
print "匹配不成功!!"
matchObj = re.search( r'Orange', line, re.M|re.I)
if matchObj:
print "匹配成功 : ", matchObj.group()
else:
print "匹配不成功!!"
## 匹配不成功
## 匹配成功 : Orange
findall(pattern, string, flags=0)
作为re模块的三大搜索函数之一,findall()和match()、search()的不同之处在于,前两者都是单值匹配,找到一个就忽略后面,直接返回不再查找了。而findall是全文查找,它的返回值是一个匹配到的字符串的列表。这个列表没有group()方法,没有start、end、span,更不是一个匹配对象,仅仅是个列表!如果一项都没有匹配到那么返回一个空列表
import re
pattern = re.compile(r'\d+') # 查找数字
result1 = pattern.findall('pengzhang 123 lalal 456')
result2 = pattern.findall('peng66la123lal99', 0, 10)
print(result1) # ['123', '456']
print(result2) # ['66', '12']
split(pattern, string, maxsplit=0, flags=0)
re模块的split()方法和字符串的split()方法很相似,都是利用特定的字符去分割字符串。但是re模块的split()可以使用正则表达式,因此更灵活,更强大
split有个参数maxsplit,用于指定分割的次数
import re
a = re.split(r'\+\*\/','8+7*5+6/3')
b = re.split(r'[\+\*\/]','8+7*5+6/3')
c = re.split(r'[\+\*\/]','8+7*5+6/3',maxsplit=2)
print(a) # ['8+7*5+6/3']
print(b) # ['8', '7', '5', '6', '3']
print(c) # ['8', '7', '5+6/3']
sub(pattern, repl, string, count=0, flags=0)
sub()方法类似字符串的replace()方法,用指定的内容替换匹配到的字符,可以指定替换次数
import re
s = 'i am Wenry , i really like Python, Can i study with you ?'
a = re.sub('i','I',s)
print(a) #I am Wenry , I really lIke Python, Can I study wIth you ?
4. 分组功能
Python的re模块有一个分组功能。所谓的分组就是去已经匹配到的内容再筛选出需要的内容,相当于二次过滤。实现分组靠圆括号(),而获取分组的内容靠的是group()、groups(),其实前面我们已经展示过。re模块里的积个重要方法在分组上,有不同的表现形式,需要区别对待
import re
# 需求是匹配到 $88 $55
text = 'apple price is $88,orange price is $55'
r = re.search('.+(\$\d+).+(\$\d+)',text)
print(r.group(0)) # apple price is $88,orange price is $55
print(r.groups()) # ('$88', '$55')
result = r.groups()
print(type(result)) #<class 'tuple'>
# group()/groups() 匹配分组
# group(1):匹配的是第一个分组
# group(2):匹配的是第二个分组
# groups():获取所有的分组