一、定义
正则表达式是一个特殊的字符序列,一个字符串是否与我们所设定的这样的字符序列,相匹配
可以用来快速检索文本、实现一些替换文本的操作,例如可以完成以下操作:
1.检查一串数字是否是电话号码
2.检测一个字符串是否符合email
3.把一个文本里指定的单词替换为另外一个单词
二、模块re
2.1 使用re.findall('正则表达式', 需要匹配的字符串),此方法返回的是一个list
注:使用re另的方法时,要先引入re模块
三、正则表达式中的字符分类
正则表达式分为:普通字符、元字符,其中普通字符是字符串内容
元字符 | 描述 |
\ | 将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如,“\\n”匹配\n。“\n”匹配换行符。序列“\\”匹配“\”而“\(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。 |
^ | 匹配输入字行首。如果设置了RegExp对象的Multiline属性,^也匹配“\n”或“\r”之后的位置。 |
$ | 匹配输入行尾。如果设置了RegExp对象的Multiline属性,$也匹配“\n”或“\r”之前的位置。 |
* | 匹配前面的子表达式任意次。例如,zo*能匹配“z”,也能匹配“zo”以及“zoo”。*等价于o{0,} |
+ | 匹配前面的子表达式一次或多次(大于等于1次)。例如,“zo+”能匹配“zo”以及“zoo”,但不能匹配“z”。+等价于{1,}。 |
? | 匹配前面的子表达式零次或一次。例如,“do(es)?”可以匹配“do”或“does”中的“do”。?等价于{0,1}。 |
{n} | n是一个非负整数。匹配确定的n次。例如,“o{2}”不能匹配“Bob”中的“o”,但是能匹配“food”中的两个o。 |
{n,} | n是一个非负整数。至少匹配n次。例如,“o{2,}”不能匹配“Bob”中的“o”,但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。 |
{n,m} | m和n均为非负整数,其中n<=m。最少匹配n次且最多匹配m次。例如,“o{1,3}”将匹配“fooooood”中的前三个o为一组,后三个o为一组。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。 |
? | 当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少地匹配所搜索的字符串,而默认的贪婪模式则尽可能多地匹配所搜索的字符串。例如,对于字符串“oooo”,“o+”将尽可能多地匹配“o”,得到结果[“oooo”],而“o+?”将尽可能少地匹配“o”,得到结果 ['o', 'o', 'o', 'o'] |
.点 | 匹配除“\n”之外的任何单个字符。要匹配包括“\n”在内的任何字符,请使用像“[\s\S]”的模式。 |
(pattern) | 匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。要匹配圆括号字符,请使用“\(”或“\)”。 |
(?:pattern) | 非获取匹配,匹配pattern但不获取匹配结果,不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分时很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。 |
(?=pattern) | 非获取匹配,正向肯定预查,在任何匹配pattern的字符串开始处匹配查找字符串,该匹配不需要获取供以后使用。例如,“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”,但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。 |
(?!pattern) | 非获取匹配,正向否定预查,在任何不匹配pattern的字符串开始处匹配查找字符串,该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”,但不能匹配“Windows2000”中的“Windows”。 |
(?<=pattern) | 非获取匹配,反向肯定预查,与正向肯定预查类似,只是方向相反。例如,“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”,但不能匹配“3.1Windows”中的“Windows”。 |
(?<!pattern) | 非获取匹配,反向否定预查,与正向否定预查类似,只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”,但不能匹配“2000Windows”中的“Windows”。这个地方不正确,有问题 此处用或任意一项都不能超过2位,如“(?<!95|98|NT|20)Windows正确,“(?<!95|980|NT|20)Windows 报错,若是单独使用则无限制,如(?<!2000)Windows 正确匹配 |
x|y | 匹配x或y。例如,“z|food”能匹配“z”或“food”(此处请谨慎)。“[zf]ood”则匹配“zood”或“food”。 |
[xyz] | 字符集合。匹配所包含的任意一个字符。例如,“[abc]”可以匹配“plain”中的“a”。 |
[^xyz] | 负值字符集合。匹配未包含的任意字符。例如,“[^abc]”可以匹配“plain”中的“plin”。 |
[a-z] | 字符范围。匹配指定范围内的任意字符。例如,“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。 注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身. |
[^a-z] | 负值字符范围。匹配任何不在指定范围内的任意字符。例如,“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。 |
\b | 匹配一个单词边界,也就是指单词和空格间的位置(即正则表达式的“匹配”有两种概念,一种是匹配字符,一种是匹配位置,这里的\b就是匹配位置的)。例如,“er\b”可以匹配“never”中的“er”,但不能匹配“verb”中的“er”。 |
\B | 匹配非单词边界。“er\B”能匹配“verb”中的“er”,但不能匹配“never”中的“er”。 |
\cx | 匹配由x指明的控制字符。例如,\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则,将c视为一个原义的“c”字符。 |
\d | 匹配一个数字字符。等价于[0-9]。grep 要加上-P,perl正则支持 |
\D | 匹配一个非数字字符。等价于[^0-9]。grep要加上-P,perl正则支持 |
\f | 匹配一个换页符。等价于\x0c和\cL。 |
\n | 匹配一个换行符。等价于\x0a和\cJ。 |
\r | 匹配一个回车符。等价于\x0d和\cM。 |
\s | 匹配任何不可见字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。 |
\S | 匹配任何可见字符。等价于[^ \f\n\r\t\v]。 |
\t | 匹配一个制表符。等价于\x09和\cI。 |
\v | 匹配一个垂直制表符。等价于\x0b和\cK。 |
\w | 匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”,这里的"单词"字符使用Unicode字符集。 |
\W | 匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。 |
\xn | 匹配n,其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。 |
\num | 匹配num,其中num是一个正整数。对所获取的匹配的引用。例如,“(.)\1”匹配两个连续的相同字符。 |
\n | 标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式,则n为向后引用。否则,如果n为八进制数字(0-7),则n为一个八进制转义值。 |
\nm | 标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式,则nm为向后引用。如果\nm之前至少有n个获取,则n为一个后跟文字m的向后引用。如果前面的条件都不满足,若n和m均为八进制数字(0-7),则\nm将匹配八进制转义值nm。 |
\nml | 如果n为八进制数字(0-7),且m和l均为八进制数字(0-7),则匹配八进制转义值nml。 |
\un | 匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。例如,\u00A9匹配版权符号(©)。 |
\p{P} | 小写 p 是 property 的意思,表示 Unicode 属性,用于 Unicode 正表达式的前缀。中括号内的“P”表示Unicode 字符集七个字符属性之一:标点字符。 其他六个属性: L:字母; M:标记符号(一般不会单独出现); Z:分隔符(比如空格、换行等); S:符号(比如数学符号、货币符号等); N:数字(比如阿拉伯数字、罗马数字等); C:其他字符。 *注:此语法部分语言不支持,例:javascript。 |
\< \> | 匹配词(word)的开始(\<)和结束(\>)。例如正则表达式\<the\>能够匹配字符串"for the wise"中的"the",但是不能匹配字符串"otherwise"中的"the"。注意:这个元字符不是所有的软件都支持的。 |
( ) | 将( 和 ) 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 \1 到\9 的符号来引用。 |
| | 将两个匹配条件进行逻辑“或”(Or)运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her",但是不能匹配"it belongs to them."。注意:这个元字符不是所有的软件都支持的。 |
3.1 查找数字:\d
3.2 查找字符集
3.2.1查找几个字符,可以使用“x|y”的格式,也可以使用“[xy]”的格式
3.2.2 查找包含几个字符的字符串
3.2.3 查找出不带某些字符的字符串,可以使用“[^xyz]”
3.2.4 要查找的几个字符恰好是一个范围时,可以使用“[x-y]”的格式
3.2.5 查找出不包含某一范围内字符的字符串,可以使用“[^x-y]”的格式
3.3 概括字符集
3.3.1 既匹配字母又匹配数字,可以使用“\w”,类似但不等于“[A-Za-z0-9_]”
3.3.2“\W”,匹配除字母、数字以及下划线以外的所有字符,类似但不等于“[^A-Za-z0-9_]”
3.3.3 "\s",匹配出制表符、空格、换页符等,等价于[\f\n\r\t\v]
注:“\s”没有匹配出#、$、(、]等符号,因为这些符号不是制表符
3.3.4 "\S",匹配出制表符、空格、换页符等以外的字符,等价于[^\f\n\r\t\v]
3.3.5 查找数字:\d
3.3.6 查找非数字:\D
3.4数量词
数量词的查询结果可分为:贪婪与非贪婪
3.4.1贪婪:匹配的结果尽可能满足长度的上限
3.4.2 非贪婪,匹配的结果尽可能的满足长度的下限,只需要在长度范围后面加一个“?”
3.5匹配0次1次或者无限多次
3.5.1 *:*前面的一个字符匹配0次或无限多次
import re
a = 'pytho0python1pythonn2'
# *匹配0次或无限多次
r = re.findall('python*', a)
print(r)
运行结果:
['pytho', 'python', 'pythonn', 'python']
3.5.2 +:+号前面的一个字符匹配1次或无限多次
import re
a = 'pytho0python1pythonn2python3'
# +匹配1次或无限多次
r = re.findall('python+', a)
print(r)
运行结果:['python', 'pythonn', 'python']
3.5.3 ?:?前面的一个字符匹配0次或1次
import re
a = 'pytho0python1pythonn2python3'
# +匹配1次或无限多次
r = re.findall('python?', a)
print(r)
运行结果:['pytho', 'python', 'python', 'python']
3.5.4 {m,n}:使用数量词,前面的一个字符匹配最少匹配m次,最多匹配n次,默认使用贪婪机制,尽可能多的匹配到n次
import re
a = 'pytho0python1pythonnn2python3'
r = re.findall('python{1,2}', a)
print(r)
运行结果:['python', 'pythonn', 'python']
3.5.5 {m,n}?:使用数量词,前面的一个字符匹配最少匹配m次,最多匹配n次,使用非贪婪机制,尽可能少的匹配到m次
import re
a = 'pytho0python1pythonnn2python3'
# 非贪婪机制
r = re.findall('python{1,2}?', a)
print(r)
运行结果:['python', 'python', 'python']
3.5.6 {m, }:前面的一个字符最少匹配m次,无上限,默认贪婪机制
import re
a = 'pytho0python1pythonnn2python3'
# 匹配无上限
r = re.findall('python{1,}', a)
print(r)
运行结果:['python', 'pythonnn', 'python']
3.5.7 {, n}:前面的一个字符最少匹配0次,最多匹配n次,默认贪婪机制,非贪婪机制则在大括号后面加“?”
import re
a = 'pytho0python1pythonnn2python3'
# 匹配无下限,匹配0到n次
r = re.findall('python{,2}', a)
print(r)
3.6 边界匹配符
判断值是不是在一个范围内
如判断值是不是4到8位,以下两种方法
import re
a = '100001'
# 查找4到8位的数
r = re.findall('\d{4,8}', a)
print(r)
r = re.findall('[0-9]{4,8}', a)
print(r)
以上两种方法可以用来判断出下限,无法判断出上限,如a = '100000000001',明显超出8位,无法判断出a不满足上限的条件,此方法比较适用于查找,无法匹配完整的字符串
可使用^与$来匹配完整的字符串,^匹配字符串首位,$匹配字符串末位
import re
a = '100001000000000'
# ^匹配字符串首位,$匹配字符串末位
r = re.findall('^[0-9]{4,8}$', a)
print(r)
r = re.findall('^\d{4,8}$', a)
print(r)
运行结果:
[]
[]
3.7组
用()括起来的一系列字符,表示一组字符,在后面加上数字,表示这一组字符重复若干次,findall方法中,可以有不只一组元素
import re
a = 'c++pythonpythonpythonjsJs'
r = re.findall('(python){3}(jsJs)',a)
print(r)
运行结果:
[('python', 'jsJs')]
注:1.()与[]的区别:()中各元素之间的关系是与的关系,即所有元素必须出现,[]中各元素的关系是或的关系,即任意元素出现n次即可满足查找关系
2.(字符串){n},表示查找的时候串字符重复n次,而且是连续重复,中间不可断开,如
import re
a = 'c++python0pythonpythonjsJs'
r = re.findall('(python){3}(jsJs)',a)
print(r)
运行结果为:[]
因为第一个python后面是0,没有连续重复3次
3.()后面还跟着()时,表示查找的两个字符串是连接在一起的,中间没有断开
4.()中的字符区分大小写
3.8匹配模式参数
findall()方法中的第三个参数,可以用来设置匹配模式,可以设置多个模式,模式之间用“|”隔开
3.8.1 re.I:忽略大小写
import re
a = 'PythonC#JavaPHP'
# 设置匹配模式,re.I忽略大小写
r = re.findall('c#', a, re.I)
print(r)
运行结果:['C#']
3.8.2 re.S:表示“.”将匹配所有的符号,包括换行符
import re
a = 'PythonC#\nJavaPHP'
# 设置匹配模式,re.I忽略大小写
r = re.findall('c#.', a, re.I | re.S)
print(r)
运行结果:['C#\n']
不加re.S时
import re
a = 'PythonC#\nJavaPHP'
# 设置匹配模式,re.I忽略大小写
r = re.findall('c#.', a, re.I)
print(r)
运行结果为:[]
因为“.”表示匹配除换行符以外的任意字符
3.9 re.sub正则替换与replace()方法
import re
language = 'pythonC#JavaPHPC#'
r = re.sub('C#', 'go', language)
print(r)
运行结果:pythongoJavaPHPgo
re.sub方法共有5个参数,最后两个为可选参数,count代表匹配后可以被替换的最大的次数,flags匹配模式
3.9.1 count值为0时,代表匹配的结果全部替换
import re
language = 'pythonC#JavaPHPC#C#'
r = re.sub('C#', 'go', language, 0)
print(r)
运行结果:pythongoJavaPHPgogo
count值不为0时:
import re
language = 'pythonC#JavaPHPC#C#'
r = re.sub('C#', 'go', language, 1)
print(r)
运行结果:pythongoJavaPHPC#C#
3.9.2 变量名.replace()方法也可以用做替换操作,但是replace方法会产生一个新的字符串,需要将此赋值给一个变量
language = 'pythonC#JavaPHPC#C#'
# replace()方法不能直接改变字符串的值
a = language.replace('C#', 'go')
print(a)
print(language)
运行结果:pythongoJavaPHPgogo
pythonC#JavaPHPC#C#
3.9.3 sub第二个参数可以是一个函数,使用函数的好处是处理不同的匹配结果,替换不同的字符串
import re
def convert(value):
matched = value.group()
return '!!' + matched + '!!'
language = 'pythonC#JavaPHPC#C#'
# sub的第二个参数可以是一个函数
r = re.sub('C#', convert, language)
print(r)
运行结果:python!!C#!!JavaPHP!!C#!!!!C#!!
convert的参数value不是一般的参数,
import re
def convert(value):
print(value)
# matched = value.group()
# return '!!' + matched + '!!'
language = 'pythonC#JavaPHPC#C#'
# sub的第二个参数可以是一个函数
r = re.sub('C#', convert, language)
print(r)
运行结果:
<_sre.SRE_Match object; span=(6, 8), match='C#'>
<_sre.SRE_Match object; span=(15, 17), match='C#'>
<_sre.SRE_Match object; span=(17, 19), match='C#'>
其中span中的第一个参数,是查找到的结果前面共有多少个字符,第二个参数代表查找到的结果最后一个字符在第几位,位数是下标+1
注:value.group方法可以得到匹配结果
3.9.4 把函数做为参数
import re
def add(value):
matched = value.group()
if int(matched) >= 50:
return '9'
else:
return '0'
a = 'ABC45837Fiu89'
# 两两匹配数字,大于等于50替换为9,反之替换为0
r = re.sub('[\d]{2}', add, a)
print(r)
运行结果:ABC097Fiu9
3.10 search与match
re.search:查找到第一个匹配结果时,就会返回结果
re.match:从字符串的第一位开始匹配,若第一位不符合正则表达式,则直接返回空,不再查找之后的字符串
import re
a = 'ABC45837Fiu89'
r = re.match('\d', a)
print(r)
r = re.search('\d', a)
print(r)
运行结果:
None
<_sre.SRE_Match object; span=(3, 4), match='4'>
注:这两个方法返回的都是对象,可使用group()方法拿到匹配的字符串,且只查找一次,findall方法可以查找多次
a = 'ABC45837Fiu89'
r = re.match('\d', a)
print(r)
r = re.search('\d', a)
print(r.group())
运行结果:
None
4
3.11 group分组
group的意义在于可以将匹配的结果存储在一个组中,正则表达式中的()可将括号内的内容看为一个组,并将结果存储到一个临时区域内
运行结果:
Nobody knows who I really am, I've never felt this empty before
knows who I really am, I've never felt this empty
注:1. r = re.search('Nobody.*before', s)语句中因为没有将“.*”用括号括起来,所以匹配的是完整语句,用r = re.search('Nobody(.*)before', s)正则表达式中带有(),则只匹配()内的表达式,并将结果存储到group中,group(0)是完整语句,group(1)代表第一个()内表达式的匹配结果
2. groups()方法是存储所有的()内表达式的匹配结果
运行结果:(' is short, I use ', '. I love ')
3.可以用group(0,1,2,3...)的方法打印出所有的分组结果
运行结果:('life is short, I use python. I love python', ' is short, I use ', '. I love ')