Python随记(30.2)正则表达式补充

不一定会用但了解一下吧。。。。。张张知识

编译标志

编译标志让你可以修改正则表达式的工作方式。在 re 模块下,编译标志均有两个名字:完整名和简写,例如 IGNORECASE 简写是 I(如果你是 Perl 的粉丝,那么你有福了,因为这些简写跟 Perl 是一样的,例如 re.VERBOSE 的简写是 re.X)。另外,多个标志还可以同时使用(通过“|”),如:re.I | re.M 就是同时设置 I 和 M 标志。(perl是一个好像很厉害的语言)

标志含义
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’)使正则可以使用注释(启用详细的正则表达式)
\b

单词边界,这是一个只匹配单词的开始和结尾的零宽断言。“单词”定义为一个字母数字的序列,所以单词的结束指的是空格或者非字母数字的字符。

下边例子中,class 只有在出现一个完整的单词 class 时才匹配;如果出现在别的单词中,并不会匹配。

>>> p = re.compile(r'\bclass\b')
>>> print(p.search('no class at all'))  
<_sre.SRE_Match object; span=(3, 8), match='class'>
>>> print(p.search('the declassified algorithm'))
None
>>> print(p.search('one subclass is'))
None

在使用这些特殊的序列的时候,有两点是需要注意的:第一点需要注意的是,Python 的字符串跟正则表达式在有些字符上是有冲突的(回忆之前反斜杠的例子)。比如说在 Python 中,\b 表示的是退格符(ASCII 码值是 8)。所以,你如果不使用原始字符串,Python 会将 \b 转换成退格符处理,这样就肯定跟你的预期不一样了。

下边的例子中,我们故意不写表示原始字符串的 ‘r’,结果确实大相庭径:

>>> p = re.compile('\bclass\b')
>>> print(p.search('no class at all'))
None
>>> print(p.search('\b' + 'class' + '\b'))  
<_sre.SRE_Match object; span=(0, 7), match='\x08class\x08'>

第二点需要注意的是,在字符类中不能使用这个断言。跟 Python 一样,在字符类中,\b 只是用来表示退格符。

非捕获组和命名组

精心设计的正则表达式可能会划分很多组,这些组不仅可以匹配相关的子串,还能够对正则表达式本身进行分组和结构化。在复杂的正则表达式中,由于有太多的组,因此通过组的序号来跟踪和使用会变得困难。有两个新的功能可以帮你解决这个问题——非捕获组和命名组——它们都使用了一个公共的正则表达式扩展语法。

  • 非捕获组: 有时我们需要一个组来表示部分正则表达式,但是又不用它去匹配任何东西,非捕获组语法就是(?:…) 里面可以是任何规则(普通的子组都是捕获组,因为它们能从字符串中匹配到数据。),,,所以说这有什么用
  • 命名组: (?P<name>)除了使用名字访问,命名组仍然可以使用数字序号进行访问。
  • 命名组非常好用,因为它让你可以使用一个好记的名字代替一些毫无意义的数字。下边是来自 imaplib 模块的例子:
InternalDate = re.compile(r'INTERNALDATE "'
        r'(?P<day>[ 123][0-9])-(?P<mon>[A-Z][a-z][a-z])-'
        r'(?P<year>[0-9][0-9][0-9][0-9])'
        r' (?P<hour>[0-9][0-9]):(?P<min>[0-9][0-9]):(?P<sec>[0-9][0-9])'
        r' (?P<zonen>[-+])(?P<zoneh>[0-9][0-9])(?P<zonem>[0-9][0-9])'
        r'"')

很明显,使用 m.group(‘zonem’) 访问匹配内容要比使用数字 9 更简单明了。

正则表达式中,反向引用的语法像 (…)\1 是使用序号的方式来访问子组;在命名组里,显然也是有对应的变体:使用名字来代替序号。其扩展语法是 (?P=name),含义是该 name 指向的组需要在当前位置再次引用。那么搜索两个单词的正则表达式可以写成 (\b\w+)\s+\1,也可以写成 (?P\b\w+)\s+(?P=word):

>>> p = re.compile(r'(?P<word>\b\w+)\s+(?P=word)')
>>> p.search('Paris in the the spring').group()
'the the'

前向断言

前向断言可以分为前向肯定断言和前向否定断言两种形式。

  • (?=…)
    前向肯定断言。如果当前包含的正则表达式(这里以 … 表示)在当前位置成功匹配,则代表成功,否则失败。一旦该部分正则表达式被匹配引擎尝试过,就不会继续进行匹配了;剩下的模式在此断言开始的地方继续尝试。
    - (?!..)
    前向否定断言。这跟前向肯定断言相反(不匹配则表示成功,匹配表示失败)。
    举个栗子:re.search(r'.+\..+','av.mp4').group() >>> 'av.mp4'匹配文件格式。但是如果我想排除exe 这个文件格式就会变得很麻烦。。。。个前向否定断言就可以解决你的难题>>> re.search(r'.+\.(?!exe$).+','av.mp4').group() 'av.mp4'如果正则表达式 exe 在当前位置不匹配,尝试剩下的部分正则表达式;如果 exe 匹配成功,整个正则表达式将会失败。这个感觉不错哦

字符大全

背是不可能的。。。实际应用只会用到一部分,另外的是为了应对突发状况。偶尔翻出来看看也不错不是。。。。

字符含义
.表示匹配除了换行符外的任何字符注:通过设置 re.DOTALL 标志可以使 . 匹配任何字符(包含换行符)
|A | B,表示匹配正则表达式 A 或者 B
^1. (托字符)匹配输入字符串的开始位置 2. 如果设置了 re.MULTILINE 标志,^ 也匹配换行符之后的位置
$1. 匹配输入字符串的结束位置 2. 如果设置了 re.MULTILINE 标志,$ 也匹配换行符之前的位置
|1. 将一个普通字符变成特殊字符,例如 \d 表示匹配所有十进制数字 2. 解除元字符的特殊功能,例如 . 表示匹配点号本身 3. 引用序号对应的子组所匹配的字符串 4. 详见下方列举
[…]字符类,匹配所包含的任意一个字符 注1:连字符 - 如果出现在字符串中间表示字符范围描述;如果如果出现在首位则仅作为普通字符 注2:特殊字符仅有反斜线 \ 保持特殊含义,用于转义字符。其它特殊字符如 *、+、? 等均作为普通字符匹配 注3:脱字符 ^ 如果出现在首位则表示匹配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
{M,N}M 和 N 均为非负整数,其中 M <= N,表示前边的 RE 匹配 M ~ N 次 注1:{M,} 表示至少匹配 M 次 注2:{,N} 等价于 {0,N} 注3:{N} 表示需要匹配 N 次
*匹配前面的子表达式零次或多次,等价于 {0,}
+匹配前面的子表达式一次或多次,等价于 {1,}
?匹配前面的子表达式零次或一次,等价于 {0,1}
*?, +?, ??默认情况下 、+ 和 ? 的匹配模式是贪婪模式(即会尽可能多地匹配符合规则的字符串);?、+? 和 ?? 表示启用对应的非贪婪模式。举个栗子:对于字符串 “FishCCC”,正则表达式 FishC+ 会匹配整个字符串,而 FishC+? 则匹配 “FishC”。
{M,N}?同上,启用非贪婪模式,即只匹配 M 次
(…)匹配圆括号中的正则表达式,或者指定一个子组的开始和结束位置 注:子组的内容可以在匹配之后被 \数字 再次引用 举个栗子:(\w+) \1 可以匹配字符串 “FishC FishC.com” 中的 “FishC FishC”(注意有空格)
(?..)(? 开头的表示为正则表达式的扩展语法(下边这些是 Python 支持的所有扩展语法)
(?aiLmsux)1. (? 后可以紧跟着 ‘a’,‘i’,‘L’,‘m’,‘s’,‘u’,‘x’ 中的一个或多个字符,只能在正则表达式的开头使用 2. 每一个字符对应一种匹配标志:re-A(只匹配 ASCII 字符),re-I(忽略大小写),re-L(区域设置),re-M(多行模式), re-S(. 匹配任何符号),re-X(详细表达式),包含这些字符将会影响整个正则表达式的规则 3. 当你不想通过 re.compile() 设置正则表达式标志,这种方法就非常有用啦 注意,由于 (?x) 决定正则表达式如何被解析,所以它应该总是被放在最前边(最多允许前边有空白符)。 如果 (?x) 的前边是非空白字符,那么 (?x) 就发挥不了作用了。
(?:…)非捕获组,即该子组匹配的字符串无法从后边获取
(?P…)命名组,通过组的名字(name)即可访问到子组匹配的字符串
(?P=name)反向引用一个命名组,它匹配指定命名组匹配的任何内容
(?#…)注释,括号中的内容将被忽略
(?=…)前向肯定断言。如果当前包含的正则表达式(这里以 … 表示)在当前位置成功匹配,则代表成功,否则失败。一旦该部分正则表达式被匹配引尝试过,就不会继续进行匹配了;剩下的模式在此断言开始的地方继续尝试。举个栗子:love(?=FishC) 只匹配后边紧跟着 “FishC” 的字符串 “love”
(?!..)前向否定断言。这跟前向肯定断言相反(不匹配则表示成功,匹配表示失败)。举个栗子:FishC(?!.com) 只匹配后边不是 “.com” 的字符串 “FishC”
(?<=…)后向肯定断言。跟前向肯定断言一样,只是方向相反。举个栗子:(?<=love)FishC 只匹配前边紧跟着 “love” 的字符串 “FishC”
(?<!..)后向否定断言。跟前向肯定断言一样,只是方向相反。举个栗子:(?<!FishC).com 只匹配前边不是 “FishC” 的字符串 “.com”
(?(id/name)yes-pattern|no-pattern)1. 如果子组的序号或名字存在的话,则尝试 yes-pattern 匹配模式;否则尝试 no-pattern 匹配模式 2. no-pattern 是可选的 举个栗子:(<)?(\w+@\w+(?:.\w+)+)(?(1)>|$) 是一个匹配邮件格式的正则表达式,可以匹配 user@fishc.com 和 ‘user@fishc.com’,但是不会匹配 ‘<user@fishc.com’ 或 ‘user@fishc.com>’
\下边列举了由字符 ‘’ 和另一个字符组成的特殊含义。注意,’’ + 元字符的组合可以解除元字符的特殊功能
\序号1. 引用序号对应的子组所匹配的字符串,子组的序号从 1 开始计算 2. 如果序号是以 0 开头,或者 3 个数字的长度。那么不会被用于引用对应的子组,而是用于匹配八进制数字所表示的 ASCII 码值对应的字符 举个栗子:(.+) \1 会匹配 “FishC FishC” 或 “55 55”,但不会匹配 “FishCFishC”(注意,因为子组后边还有一个空格)
\A匹配输入字符串的开始位置
\Z匹配输入字符串的结束位置
\b匹配一个单词边界,单词被定义为 Unidcode 的字母数字或下横线字符 举个栗子:\bFishC\b 会匹配字符串 “love FishC”、FishC." 或 “(FishC)”
\B匹配非单词边界,其实就是与 \b 相反 举个栗子:py\B 会匹配字符串 “python”、“py3” 或 “py2”,但不会匹配 "py "、“py.” 或 “py!”
\d1. 对于 Unicode(str 类型)模式:匹配任何一个数字,包括 [0-9] 和其他数字字符;如果开启了 re.ASCII 标志,就只匹配 [0-9] 2. 对于 8 位(bytes 类型)模式:匹配 [0-9] 中任何一个数字
\D匹配任何非 Unicode 的数字,其实就是与 \d 相反;如果开启了 re.ASCII 标志,则相当于匹配 [^0-9]
\s1. 对于 Unicode(str 类型)模式:匹配 Unicode 中的空白字符(包括 [ \t\n\r\f\v] 以及其他空白字符);如果开启了 re.ASCII 标志,就只匹配 [ \t\n\r\f\v] 2. 对于 8 位(bytes 类型)模式:匹配 ASCII 中定义的空白字符,即 [ \t\n\r\f\v]
\S匹配任何非 Unicode 中的空白字符,其实就是与 \s 相反;如果开启了 re.ASCII 标志,则相当于匹配 [^ \t\n\r\f\v]
\w1. 对于 Unicode(str 类型)模式:匹配任何 Unicode 的单词字符,基本上所有语言的字符都可以匹配,当然也包括数字和下横线;如果开启了 re.ASCII 标志,就只匹配 [a-zA-Z0-9_] 2. 对于 8 位(bytes 类型)模式:匹配 ASCII 中定义的字母数字,即 [a-zA-Z0-9_]
\W匹配任何非 Unicode 的单词字符,其实就是与 \w 相反;如果开启了 re.ASCII 标志,则相当于 [^a-zA-Z0-9_]

转义符号:正则表达式还支持大部分 Python 字符串的转义符号:\a,\b,\f,\n,\r,\t,\u,\U,\v,\x,\

注1:\b 通常用于匹配一个单词边界,只有在字符类中才表示“退格” ,比如 abc 匹配完 a 之后,咱的当前位置就会移动,才能继续匹配 b,依次类推…但是 \babc 的话,\b 表示当前位置在单词的边界(单词的第一个字母或者最后一个字母),这时候当前位置不会发生改变,接着将 a 与当前位置的字符进行匹配.

注2:\u 和 \U 只有在 Unicode 模式下才会被识别

注3:八进制转义(\数字)是有限制的,如果第一个数字是 0,或者如果有 3 个八进制数字,那么就被认为是八进制数;其他情况则被认为是子组引用;至于字符串,八进制转义总是最多只能是 3 个数字的长度

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值