动机
1.文本处理已经成为计算机常见工作之一
2.对文本内容的搜索,定位,提取是逻辑比较复杂的工作
3.为了快速方便的解决上述问题,产生正则表达式技术
定义:即文本的高级匹配模式,提供搜索,替代,查找等功能。本质是由一系列特殊符号和字符组成的字串。
目标:
1.熟练掌握正则表达式符号
2.能够看懂或者简单编写基本的正则表达式
3.能够使用python操作正则表达式
特点:
* 方便进行检索修改文本的操作
* 支持编程语言众多
* 使用灵活多样
python ---> re模块 处理正则表达式
re.findall(pattern,string)
功能:使用正则表达式匹配字符串
参数:pattern 正则表达式字符串
string 目标字符串
返回值:返回 匹配到的所有内容
s = "my email is Levi@126.com or lvze@tedu.cn"
re.findall("\w+@\w+\.\w{2,3}",s)
元字符 (正则表达式中有一定含义的符号)
1.普通字符
元字符 a b c & #
匹配规则:匹配字符本身
2. 或
元字符:|
匹配规则: 匹配 | 两边任意一个正则表达式
* | 左右不要有空格
3.匹配单一字符
元字符 .
匹配规则:匹配除\n外任意一个字符
4.匹配开始位置
元字符: ^
匹配规则:匹配一个字符串的开头位置
5.匹配结尾位置
元字符: $
匹配规则:匹配字符串的结束位置
6.匹配重复
元字符: *
匹配规则:匹配前面的正则表达式重复0次或者多次
fo* ---> foo fooo fooooooooo
7.匹配重复
元字符: +
匹配规则:匹配前面的正则表达式1次或多次
8.匹配重复
元字符: ?
匹配规则:匹配前面出现的元字符0次或1次
9.匹配重复
元字符: {n}
匹配规则:匹配前面的正则表达式n次
ab{3} --> abbb
10.匹配重复
元字符:{m,n}
匹配规则:匹配前面的正则表达式m--n次
ab{3,5} --> abbb abbbb abbbbb
11.匹配字符集合
元字符:[字符集]
匹配规则:匹配括号内的任意一个字符
[abc123] a b c 1 2 3
[a-z] [A-Z] [0-9]
[123a-zA-Z]
12.匹配字符集合
元字符:[^...]
匹配规则:除了字符集中的任意一个字符
[^abc] --> d e f....0
13.匹配任意(非)数字字符
元字符:\d \D
匹配规则:\d 匹配任意数字字符
\D 匹配任意非数字字符
re.findall('1\d{10}','13233412323')
re.findall('\D+','13 The num 345')
14.匹配(非)普通字符 (数字字符下划线)
元字符: \w \W
匹配规则:\w 匹配任意一个普通字符 [_0-9a-zA-Z]
\W 匹配任意一个非普通字符[^_0-9a-zA-Z]
15.匹配(非)空字符 (空格,\r \t \n \0)
元字符:\s 匹配任意空字符
匹配规则:\S 匹配任意非空字符
16.匹配起止位置
元字符:\A(^) \Z($)
匹配规则:匹配字符串的开始和结束位置
绝对匹配:正则表达式前后加^$或\A\Z 表示正则表达式需要匹配目标字符串的全部内容
17.匹配(非)单词边界(普通字符和其他字符交界的位置为单词边界)
元字符:\b \B
匹配规则:\b 单词边界
\B 非单词边界
元字符总结
匹配单个字符 a . \d \D \w \W \s \S [...] [^...]
匹配重复性: * + ? {n} {m,n}
匹配位置: ^ $ \A \Z \b \B
其它: | () \
正则表达式转义
特殊符号:
. * ? [] () {} ^
r --- raw 字符串: 原生字符串,字符串的内容就是字符串本身,不进行任何转义处理
贪婪和非贪婪
贪婪模式:正则表达式的重复默认总是尽可能多的向后匹配内容
* + ? {m,n}
非贪婪模式:尽可能少的匹配内容
贪婪 ---> 非贪婪 *? +? ?? {m,n}?
正则表达式分组
可以使用()为一个正则表达式建立子组,子组可以看做正则表达式的一个局部整体
子组的作用
1.子组作为一个局部整体可以改变某些元字符的行为,比如重复,或等
re.search('','').group()
2.子组在某些操作中可以单独提取匹配内容
re.search(r'(ab)+','ababababfagasfd').group(1)
子组使用注意事项
* 一个正则表达式中可以有多个子组,正则表达式依然是通过整体匹配内容
* 子组由外到内,由左到右为第一第二第三...子组
((ab)cd(ef)g) abcdefg ab ef
* 子组内容不会重叠
捕获组和非捕获组(命名组,非命名组)
格式:(?P<name>pattern)
re.search(r'(?P<dog>ab)cdef','abcdef').group()
命名作用:
1.很多编程接口可以通过名称获取指定组的内容
2.命名组可以被重复调用
格式: (?P=name)
re.search(r'(?P<dog>ab)cd(?P=dog})','abcdab').group()
正则表达式设计原则
1.正确性,能够正确的匹配要求内容
2.唯一性,除了需要匹配的内容,尽可能不匹配不需要的内容
3.全面性,对目标特征考虑全面不遗漏
re模块
regex = re.compile(pattern,flags = 0)
功能:生成正则表达式对象
参数:pattern 正则表达式
flags 功能标志位,丰富正则的匹配功能
返回值:正则表达式对象
import re
s = 'abdeabc dabht grabde abcda bhtgr'
regex = re.compile(r'abcd')
l = regex.findall(s)
print(l)
# ['abcd']
list = re.findall(pattern,srting,flags)
功能:根据正则表达式匹配目标字符串
参数:pattern 正则表达式
string 目标字符串
返回:返回一个列表,内部为匹配到的内容
* 如果正则表达式有分组则只显示子组内容
import re
s = 'abdeabc dabht grabde abcda bhtgr'
l1 = re.findall(r'((ab)d(ea))', s)
print(l1)
#[('abdea', 'ab', 'ea')]
list = regex.findall(string,pos=0,endpos=999)
功能:根据正则表达式匹配目标字符串
参数:string 目标字符串
pos 标明从目标字符串的哪个位置开始匹配
endpos 标明匹配到目标字符串的哪里
re.split(pattern,string,flags=0)
功能:通过正则表达式分割字符串
参数:pattern 正则
string 目标字符串
返回值:分割后字符串列表
import re
s = 'abdeabc dabht grabde abcda bhtgr'
l = re.split(r'\s+',s)
print(l)
#['abdeabc', 'dabht', 'grabde', 'abcda', 'bhtgr']
re.sub(pattern,replaceStr,string,max,flags)
功能:替换正则表达式匹配到的内容
参数:pattern 正则
replaceStr 要替换的内容
string 目标字符串
max 要替换几处
返回值:返回替换后的字符串
import re
s = 'abdeabc dabht grabde abcda bhtgr'
# 替换目标字符串
s1 = re.sub(r'\s+', '##', 'hello world nihao china', 2)
print(s1)
#hello##world##nihao china
re.subn(pattern,replaceStr,string,max,flags)
功能:替换正则表达式匹配到的内容
参数:pattern 正则
replaceStr 要替换的内容
string 目标字符串
max 要替换几处
返回值:返回替换后的字符串和替换了几处
import re
s = re.subn(r'\s+','##',"hello world nihao china")
print(s)
#('hello##world##nihao##china', 3)
re.finditer(pattern,string,flags)
功能:使用正则表达式匹配目标字符串
参数:pattern 正则
string 目标字符串
返回值:将匹配内容生成迭代器
import re
s = "2008年是个多事之秋,512地震,08奥运等"
it = re.finditer(r'\d+',s)
for i in it:
print(i.group())
#2008
#512
#08
re.fullmatch(pattern,string,flags)
功能:完全匹配目标字符串
参数:pattern 正则
string 目标字符串
返回值:匹配到的内容 (match object)
try:
obj = re.fullmatch(r'\w+','abcde#f123')
print(obj.group())
except AttributeError as e:
print(e)
#'NoneType' object has no attribute 'group'
obj = re.match(pattern,string,flags)
功能:匹配目标字符串开头
参数:pattern 正则
string 目标字符串
返回值:匹配到的内容 (match object)
obj = re.match('foo','foo,food on the table')
print(obj.group())
#foo
obj = re.search(pattern,string,flags)
功能:匹配目标字符串,只能匹配第一处
参数:pattern 正则
string 目标字符串
返回值:匹配到的内容 (match object)
import re
obj = re.search('foo','Foo,food on the table')
print(obj.group())
# foo
* 生成match对象如果失败会返回None,则无法调用match对象属性,此时会产生异常。
compile生成的正则对象属性
pattern 获取到正则对象对应的正则表达式
flags 获取标志位值
groupindex 获取捕获组形成的字典 组名为键,第几组为值
groups 多少子组
regex.groups
作业:
1.读取一个文本,将文本中所有以大写字母开头的单词匹配出来,将文本中数字匹配出来
2.熟练掌握元字符的匹配规则
3.将findall finditer match search sub split fullmatch 使用compile方法进行调用
4.看一下之前的项目
match object 属性函数
属性变量
pos
endpos
re
string
lastgroup
lastindex
import re
regex = re.compile(r'abcdef')
match_obj = regex.search("abcdefghijklmn", 0, 14)
print(match_obj.pos) # pos 目标字符串开始位置
print(match_obj.endpos) # endpos 目标字符串结束位置
# 0
# 14
print(match_obj.re) # re 正则表达式
print(match_obj.string) # string 目标字符串
# re.compile('abcdef')
# abcdefghijklmn
import re
regex = re.compile(r'(?P<dog>ab)cd(?P<pig>ef)')
match_obj = regex.search("abcdefghijklmn", 0, 14)
print(match_obj.lastgroup) # lastgroup 最后一组名称
print(match_obj.lastindex) # lastindex 最后一组是第几组
# pig
# 2
属性方法
end()
span()
start()
import re
regex = re.compile(r'(?P<dog>ab)cd(?P<pig>ef)')
match_obj = regex.search("abcdefghijklmn")
print(match_obj.start()) # 匹配到的起始位置
print(match_obj.end()) # 匹配到的结束位置
print(match_obj.span()) # 匹配到的起止位置
# 0
# 6
# (0, 6)
group(n = 0)
功能:获取match对象匹配到的内容
参数:默认为获取正则整体匹配到的内容
如果赋值1,2,3...表示获取某个子组匹配到的内容
返回值:返回匹配内容
groups()
功能:将所有子组匹配内容形成一个元组
groupdict()
功能:将所有捕获组形成字典,组名为键,匹配内容为值
import re
regex = re.compile(r'(?P<dog>ab)cd(?P<pig>ef)')
match_obj = regex.search("abcdefghijklmn")
print(match_obj.group()) # 正则表达式匹配内容
print(match_obj.group(1)) # 子组第一组匹配到的内容
# abcdef
# ab
print(match_obj.groups())
print(match_obj.groupdict())
# ('ab', 'ef')
# {'dog': 'ab', 'pig': 'ef'}
flags 参数
compole re.findall re.search re.match
re.finditer re.fullmatch re.sub re.subn
re.split
作用:辅助正则表达式,丰富匹配结果
I == IGNORECASE 忽略大小写
import re
s = "Hello world"
pattern = r"hello"
l1 = re.findall(pattern, s, re.I)
print(l1)
# ['Hello']
S == DOTALL 元字符 . 匹配 \n
import re
s = '''
hello world
nihao Beijing
'''
obj = re.search(r'.+', s, re.S)
print(obj.group())
# hello world
# nihao Beijing
M == MULTILINE 元字符^ $ 可以匹配每行的开头和结尾
import re
s = '''hello world
nihao Beijing
'''
regex = re.compile(r'world$', re.M)
l1 = regex.findall(s)
print(l1)
# ['world']
X == VERBOSE 可以给正则添加注释
# (?P<dog>H\w+\s+(world))
pattern = '''(?P<dog>H\w+) # dog组
\s+ # 任意多个空字符
(world) # 匹配world
'''
obj = re.match(pattern, 'Hello world', re.X)
print(obj.group())
# Hello world
多个标志位可以用 | 隔开
flags = re.X|re.I