【Python教程】08.正则表达式

大纲

• re模块
• 正则表达式
• 练习

re模块

正则表达式就是用一系列的通配符去匹配字符串。
目前最强大的字符串处理工具。Python中使用re模块处理正则表达式。
我们曾经使用过

w = re.sub('[^a-zA-Z]', '', w)  # 去除非字母

sub其实就是一个替换方法，第一个参数是匹配的方式，即要学习的正则表达式。
第二个是匹配到内容后进行替换的字符串，最后一个是要处理的字符串。
除了sub方法，还有match、search、findall、finditer等主要方法。
定义正则表达式：

reg_exp = r'[^a-zA-Z]'  # 匹配非字母

正则表达式可以用 r 开头后面跟上字符串，就代表这是一个正则表达式。这样可以避免很多转义的问题。

匹配一个对象：match、search。

ret = re.match(reg_exp, '12')
if ret is not None:
    print(ret.group())  # 匹配到一个

输出 1 ，即匹配得到的第一个非字母。
如何没有匹配到，返回None。match必须从头开始匹配。

ret = re.match(reg_exp, 'a12')
print(ret)      # 空
ret = re.search(reg_exp, 'a12')
print(ret.group())      # 正常返回1

search则可以从任意位置开始匹配，只要有匹配到的就返回。

查找全部匹配：findall、finditer。

ret = re.findall(reg_exp, 'a12')
print(ret)

findall以列表返回所有匹配到内容。输出：

for i in re.finditer(reg_exp, 'a12'):
    print(i.group())

finditer则是以迭代器方式【一种需要用for循环方式使用的类型】，使用for循环可以遍历出所有的匹配值。两者功能等价。

获得匹配位置：
除了findall，其他匹配后返回的结果都是一个Match对象。
通过group()方法可以得到内容。
通过span()方法就可以获得起始位置和结束位置的元组。

for i in re.finditer(reg_exp, 'a12'):
    print(i.group(), i.span())

输出：

替换：sub。

ret = re.sub(reg_exp, '*', 'a12')
print(ret)

将非字母替换成*号。

正则表达式

前后匹配：^、$。
^ 表示前匹配，$ 表示后匹配。

re.search(r'^abc', 'abc1')

从头开始匹配，如果匹配到 ^ 后面的内容，则返回匹配的Match对象，否则为空。

re.search(r'c1$', 'abc1')

尾部如果匹配到 $ 前面的内容，则返回匹配的Match对象，否则为空。
功能上类似于 startswith 和 endswith。
但配合后面的匹配方法，就不止这个功能了。

基础字符匹配

re.search(r'.\s.', 'I am a student.')       # I a
re.search(r'\d', 'I am a student.')         # None
re.search(r'stu..nt', 'I am a student.')    # student

匹配自定义字符组：[]。

re.search(r'[abcde]', 'I am a student.')    # a
re.search(r'[^abcde]', 'I am a student.')   # I
re.search(r'[a-z]', 'I am a student.')      # a

1、匹配中括号内的字母组中任意一个字符。
2、加一个 ^ 号，表示非，即匹配不在中括号内的字母组的字符。
3、匹配中括号内一个范围的字符。

reg_exp = r'[^a-zA-Z]'  # 匹配非字母

所以这个匹配了非a到z和A到Z的字符，即非字母。

重复匹配：前面都是单个字符的匹配，现在学习匹配N个字符。

乘号【*】表示匹配之前的字符0到无限次。
加号【+】表示匹配之前的字符1到无限次。
大括号 {} 表示匹配多少次。{n}表示n次，{n,m}表示n到m次，{n,}表示至少n次。

print(re.findall(r'\w*', 'You are good'))
print(re.findall(r'\w+', 'You are good'))
print(re.findall(r'\w{1,3}', 'You are good'))

输出：

问号：?。
单个问号表示0次或1次。
*? 表示非贪婪的0到无限次。
+? 表示非贪婪的1到无限次。
贪婪表示得到最大的匹配，非贪婪表示获得最小的匹配。

print(re.findall(r'@ab?', '@abc@abc@'))
print(re.findall(r'@.+@', '@abc@abc@'))     # 贪婪
print(re.findall(r'@.+?@', '@abc@abc@'))    # 非贪婪

输出：

贪婪情况下，得到第一个@到最后一个@。
非贪婪情况下，当遇到第二个@时就认为匹配到了。

分组是通过匹配获取信息的方式：括号 ()。

mail = '[email protected]'
ret = re.match(r'(.+)@(.+)', mail)
print(ret.group())      # 没有变化
print(ret.groups())     # 分组结果

添加括号后，对于匹配并没有变化，结果的group不变。
但是在获取groups时，结果就有了分组。将我们的邮箱分解为了前后两个部分。

一个url的验证与分组。

url = 'https://github.com/lvancer/course_python.git'
ret = re.match(r'(\w+)://(.+?)/(.+)\.(\w+)', url)
print(ret.group())
print(ret.groups())

输出：

实际使用中，我们一般会先用工具验证正则表达式是否正确。
如 http://tool.chinaz.com/regex/ 。当验证正确了，再写代码。

练习

1、正则表达式的深入https://github.com/ziishaned/...
与练习 https://regex101.com/
2、自己将1中的正则用python实现。

---

github: https://github.com/lvancer/course_python