正则表达式（史上最全最实用）

正则表达式（史上最全最实用）

简述

正则表达式式处理字符串的强大工具，拥有独立的语法和独立的处理引擎。

我们在大文本中匹配字符串时，有些情况用str自带的函数(比如find, in)可能可以完成，有些情况会稍稍复杂一些(比如说找出所有“像邮箱”的字符串，所有和julyedu相关的句子)，这个时候我们需要一个某种模式的工具，这个时候正则表达式就派上用场了。

先来看看python中find与in的用法：

>>>str1 = "this is a string example ... wow!!!"
>>>str2 = "exam"

>>>print(str2 in str1)      # str1包含str2，则返回True,否则返回False
True
>>>print("other" in str1)
False

>>>print(str1.find(str2))   # 从下标0开始搜索，当str2出现在str1中时，返回索引，否则返回-1
17
>>>print(str1.find("other"))
-1
>>>print(str1.find(str2, 10))  # 从下标10开始素搜索，当str2出现在str1中时，返回索引，否则返回-1
17
>>>print(str1.find(str2, 20))  # 从下标20开始素搜索，当str2出现在str1中时，返回索引，否则返回-1
-1

说起来正则表达式效率上可能不如str自带的方法，但匹配功能实在强大太多。对啦，正则表达式不是Python独有的，如果已经在其他语言里使用过正则表达式，这里的说明只需要简单看一看就可以上手啦。本博文主要参考了寒小阳的《Python正则表达式》，对极不常用的部分进行了删除，对常用部分增加了代码分析。

语法

我们先来回顾正则表达式的基本语法。当你要匹配 一个/多个/任意个 数字/字母/非数字/非字母/某几个字符/任意字符，想要 贪婪/非贪婪 匹配，想要捕获匹配出来的 第一个/所有 内容的时候，记得这里有个小手册供你参考。

验证工具

国内比较好用的正则表达式在线验证工具为：http://tool.oschina.net/regex/
该工具不仅可以验证正则表达式，还提供了常用的正则表达式，如身份证号码、邮箱、电话号码、日期等

正则表达式练习

我们一直想提高编写正则表达式的能力，但苦于找不到循序渐进的练习题。下面给出一个链接能进行循序渐进的进行正则表达式练习。想要提高正则表达式能力的同学们，戳我吧https://alf.nu/RegexGolf

Python案例

re模块

Python通过re模块提供对正则表达式的支持
使用re的一般步骤是：

1. 将正则表达式的字符串编译为Pattern实例
2. 使用Pattern实例处理文本并获得匹配结果（Match实例）
3. 使用Match实例获取信息，进行其他的操作

import re

pattern = re.compile(r'Hello.*\!')
match = pattern.match('Hello xiaowoniu! How are you')
if match:
    print(match.group())

Hello xiaowoniu!

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如re.I | re.M。

当然，你也可以在regex字符串中指定模式，比如re.compile(‘pattern’, re.I | re.M)等价于re.compile(‘(?im)pattern’)

flag可选值有：
•re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
•re.M(MULTILINE): 多行模式，改变’^’和’$’的行为（参见上图）
•re.S(DOTALL): 点任意匹配模式，改变’.’的行为
•re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
•re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
•re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

regex_1 = re.compile(r"""\d +  # 数字部分
                         \.    # 小数点部分
                         \d *  # 小数的数字部分""", re.X)
regex_2 = re.compile(r"\d+\.\d*")

Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

Match对象的属性：

1. string: 匹配时使用的文本
2. re: 匹配时使用的Pattern对象
3. pos: 文本中正则表达式开始搜索的索引，值与pattern.match()及pattern.search()的同名属性相同
4. endpos: 文本中正则表达式结束搜索的索引，值与pattern.match()及pattern.search()的同名属性相同
5. lastindex: 最后一个被捕获的分组在所有分组中的索引（从1开始数），如果没有分组被捕获，则返回None
6. lastgroup：最后一个 被捕获的分组的别名，如果没有别名或没有分组被捕获，则返回None

Match对象的方法

1. group([group1, …]): 获得一个或多个分组截取所得的字符串，指定多个参数时，将以元组返回。group1可以使用编号，也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0); 没有截获字符串的组返回None；截获多次的组，返回最后最后一次的截获的子串。如m.group(1, 2, 3)
2. groups([default]): 以元组形式返回全部分组截获的字符串，相当于调用group(1, … , last)。default表示没有截获的字符串组以这个代替，default默认为空
3. groupdict([default]): 返回有别名的组的别名为键，该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上
4. start([group]): 返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引），group默认为0
5. end([group]): 返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1），group默认为0
6. span([group]): 返回元组 (start([group]), end([group]))
7. expand(template): 将匹配到的分组带入到template中，然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g

import re

m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello xiaowoniu!')
print('m.string: ', m.string)
print('m.re: ', m.re)
print('m.pos: ', m.pos)
print('m.endpos: ', m.endpos)
print('m.lastindex: ', m.lastindex)
print('m.lastgroup: ', m.lastgroup)

print('m.group(1, 2): ', m.group(1, 2))
print('m.groups: ', m.groups())
print('m.groupdict(): ', m.groupdict())
print('m.start(2): ', m.start(2))
print('m.span(2): ', m.span(2))
print("m.expand(r'\\2 \\1\\3'): ", m.expand(r'\2 \1\3'))

m.string: hello xiaowoniu!
m.re: re.compile(‘(\w+) (\w)(?P.*)’)
m.pos: 0
m.endpos: 16
m.lastindex: 3
m.lastgroup: sign

m.group(1, 2): (‘hello’, ‘xiaowoniu’)
m.groups: (‘hello’, ‘xiaowoniu’, ‘!’)
m.groupdict(): {‘sign’: ‘!’}
m.start(2): 6
m.span(2): (6, 15)
m.expand(r’\2 \1\3’): xiaowoniu hello!

Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern对象提供的一系列方法可以对文本进行匹配查找
Pattern不能直接进行实例化，必须使用re.compile() 进行构造
Pattern提供了几个可读属性用于获取表达式的相关信息：

1. pattern：编译时使用的正则表达式字符串
2. flags：编译时使用的匹配模式（数字形式）
3. groups：表达式中分组的数量
4. groupindex：以表达式中有别名的组的别名为键，以该组对应的编号为值的字典，没有别名的组不包含在内

import re

p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
print('p.pattern: ', p.pattern)
print('p.flags: ', p.flags)
print('p.groups: ', p.groups)
print('p.groupindex: ', p.groupindex)

p.pattern: (\w+) (\w+)(?P.*)
p.flags: 48
p.groups: 3
p.groupindex: {‘sign’: 3}

使用pattern

• 
  
• match(string[, pos[, endpos]]) 或者 match(pattern, string[, flags])
  这个方法将从string的pos下标处尝试匹配pattern，pos默认值为0（pos处必须与正则表达式开始对应上）
  
  • 
    
  • 如果匹配结束后仍可匹配，则返回Match对象
  • 如果匹配过程中无法匹配，或者匹配未结束就达到endpos，则返回None
  • pos、endpos默认为0、len(string)
  • 注意：这个方法并不是完全匹配。当pattern结束时，string还有剩余字符，仍然视为匹配成功。要想完全匹配，需要在pattern末尾加上结束标识符”$”
  
  
• search(string[, pos[, endpos]]) 或者 search(pattern, string[, flags])
  与match方法类似，区别在于：pos处无需与正则表达式开始对应上，后面匹配上也可以
  

p = re.compile(r'X.*u')
print(p.match('Hello Xiaowoniu!', 6))
print(p.match('Hello Xiaowoniu!', 5))
print(p.search('Hello Xiaowoniu!', 5))

<_sre.SRE_Match object; span=(6, 15), match=’Xiaowoniu’>
None
<_sre.SRE_Match object; span=(6, 15), match=’Xiaowoniu’>

• `split(string[, maxsplit])` 或者 `re.split(pattern, string[, maxsplit])`
  • 按照能够匹配的子串将string分割为列表
  • maxsplit为最大分割次数，默认按最大分割次数来

p = re.compile(r'\d+')
p.split("one1two2three3four4", 2)
p.split("one1two2three3four4", 3)
p.split("one1two2three3four4", 4)
p.split("one1two2three3four4")

[‘one’, ‘two’, ‘three3four4’]
[‘one’, ‘two’, ‘three’, ‘four4’]
[‘one’, ‘two’, ‘three’, ‘four’, ”]
[‘one’, ‘two’, ‘three’, ‘four’, ”]

• 
  
• findall(string[, pos[, endpos]]) 或者 re.findall(pattern, string[, flag])
  
  • 
    
  • 从pos开始搜索，以列表形式返回所有匹配的子串
  
  

p = re.compile(r'\d+')
p.findall("one1two2three3four4")
p.split("one1two2three3four4", 4)
p.split("one1two2three3four4", 4, 6)

[‘1’, ‘2’, ‘3’, ‘4’]
[ ‘2’, ‘3’, ‘4’]
[]

• 
  
• finditer(string[, pos[, endpos]]) 或者 re.finditer(pattern, string[, flag])
  
  • 
    
  • 从pos开始搜索，返回一个顺序访问每个匹配结果（Match对象）的迭代器
  
  

p = re.compile(r'\d+')
iters = p.finditer("one1two2three3four4")
for item in iters:
    print(item.group())

1
2
3
4

• `sub(repl, string[, count])` 或者 `re.sub(pattern, repl, string[, count])` 使用repl替换string中每一个匹配的子串后返回替换后的字符串。
  • 当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
  • 当repl是一个方法时，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。

s = "i say, hello xiaowoniu!"
p = re.compile(r'(\w+) (\w+)')
p.sub(r'\2 \1', s)

def fn(m):
    return m.group(1).title() + " " + m.group(2).title()
p.sub(fn, s)

‘say i, xiaowoniu hello!’
‘I Say, Hello Xiaowoniu!’

• `subn(repl, string[, count])` 或者 `re.subn(pattern, repl, string[, count])` 返回元组(sub(repl, string[, count]), 替换次数)

s = "i say, hello xiaowoniu!"
p = re.compile(r'(\w+) (\w+)')
p.subn(r'\2 \1', s)

(‘say i, xiaowoniu hello!’, 2)

\b与\B

\b为单词的边界
单词边界就是单词和符号之间的边界，这里的单词可以是中文字符,英文字符,数字（指的不是\w）；符号可以是中文符号,英文符号,空格,制表符,换行
相反，\B指的是非单词的边界
例如：我们我们想判断句子My cat is bad.中是否包含cat（忽略大小写）这个单词，我们可以使用正则表达式r’\bcat\b’来匹配

s = "My cat is bad."
p = re.compile(r'\bcat\b', re.I)
searched = p.search(s)
if searched:
    pirnt(searched.group())

cat

---