盘一盘 Python 系列特别篇 - 正则表达式
本文含 10026 字，27 图表截屏
建议阅读 42 分钟
在公众号对话框回复 RE
获取完整 Jupyter Notebook
0
引言
本文是 Python 系列的特别篇的第八篇
特别篇 1 - PyEcharts TreeMap
特别篇 2 - 面向对象编程
特别篇 3 - 两大利「器」
特别篇 4 - 装饰器
特别篇 5 - Sklearn 0.22
特别篇 6 - Jupyter Notebook
特别篇 7 - 格式化字符串
特别篇 8 - 正则表达式
正则表达式（Regular Expression, RE）就是一组定义某种搜索模式（pattern）的字符。
最简单的 RE 例子如下。
'steven'
很明显，这样一个 RE 只能搜索出含 steven 的字符串。
你可以用 Python 代码来验证，但现在假设我们还不会写，我们可以去 https://regex101.com/ 来验证。如下图右上角所示，匹配成功。
这样来搜索未免太傻了，有没有稍微智能一点的方法。再看下面的 RE。
^s....n$
上面的 RE 定义的模式如下：任何 6 个字符的单词，以 s 开头 (^s 的效果)，以 n 收尾 (n$ 的效果)。之所以是 6 个字符，是因为有 4 个点 (.) 加上 s 和 n 字符。用上面那个网站做验证，这个 RE ^s....n$ 的若干匹配结果如下：
seven：不匹配（五个字母）
strong man：不匹配（十个字母加空格）
soften：匹配
steven：匹配
Steven：不匹配
看最后两个 steven 和 Steven，区别是第一个字母的大小写，如果我想匹配两者怎么办呢？用下面的 RE
^[s|S]....n$
中括号 [] 表示一个集合，而 | 分隔集合里面的元素，在本例是 s 和 S。意思就是匹配开头的 s 或 S，结尾是 n 的 6 字符的单词。
这样每次固定单词长度也不太智能吧（比如长度为 n 就需要手动输入 n 个点 .），开头 s 结尾 n 的单词好多呢，我如果都想搜索出来该怎么办呢？看下面的 RE
^s[a-z]+n$
现在 sun 和 strengthen 都可以匹配出来了。起作用的是 [a-z]+，[a-z] 表示小写的字母 a 到 z 的集合，而 + 代表大于一次，联合在一起的意思就是该单词“以 s 开头，以 n 结尾，中间有大于一个的任何小写字母”。
但上述模式对单词 self-restrain 不起作用，因为有个短连接线（hyphen）。
没关系，我们把 - 加入字母集合里，写成 [a-z-]+，注意第一个 - 表示从 a 到 z，第二个 - 表示短连接线。现在可以匹配 self-restrain 了。
目前对 RE 有点感觉了吧，即便不会确切的表示也没关系，因为这就是本帖要介绍的。还是那句话，兴趣最重要，有兴趣才能有效的往下看。
本帖结构如下：
原始字符串
五类元字符
七个函数
三个实例
注：本帖里的 RE 可视化可参考链接 https://www.debuggex.com/。
1
原始字符串
原始字符串（raw string）是所有的字符串都是直接按照字面的意思来使用，没有转义特殊或不能打印的字符，通常简称为 r-string。
如果没有转义字符，原始字符串和普通字符串是一样的，比如
print('hello')
print(r'hello')
hello
hello如果有转义字符（用反斜线 \），原始字符串和普通字符串是不一样的，比如
print('\blake')
print(r'\blake')
lake
\blake因此，不管什么时候用原始字符串准没错。
2
元字符
元字符（meta character）就是一种自带特殊含义的字符，也叫特殊字符。比如 [] * + ? {} | () . ^ $ \，原字符按用途可分五类：
表示集合：[]
表示次数：* + ? {}
表示并列：|
用于提取：()
用于转义：. ^ $ \
首先定义一个函数，当在句子（是个字符串 str）没有发现模式 pat 时，返回“没有找到”，反之打印出所有符合模式的子字符串。
import re
def look_for(pat, str):
return '没有找到' if re.search(pat, str) is None
else re.findall(pat, str)
上面代码中的 re 是 Python 中正则表达式的库，而 search 和 findall 是包里的两个函数，顾名思义它们做的就是搜索和找出全部的意思，第三节会详解讲。
2.1
集合字符
中括号（square bracket）- []
中括号表示一个字符集，即创建的模式匹配中括号里指定字符集中的任意一个字符，字符集有三种方式来表现：
明确字符：[abc] 会匹配字符 a，b 或者 c
范围字符：[a-z] 会匹配字符 a 到 z
补集字符：[^6] 会匹配除了 6 以外的字符
下面我们来一一细看。
明确字符
匹配中括号里面的任意一个字符。
pat = r'[abc]'
print( look_for(pat, 'a') )
print( look_for(pat, 'ac') )
print( look_for(pat, 'cba') )
print( look_for(pat, 'steven') )
['a']
['a', 'c']
['c', 'b', 'a']
没有找到分析如下：
该模式只匹配字符 a，b 或者 c，因此前三个例子的字符串里都有相应字符匹配，而最后例子里的 steven 不包含 a, b 或 c。
模式 [abc] 的可视图如下，注意 “One of” 是说集合里面的字符是“或”的关系。
范围字符
在 [ ] 中加入 - 即可设定范围，比如
[a-e] = [abcde]
[1-4] = [1234]
[a-ep] = [abcdep]
[0-38] = [01238]
看两个例子。
print( look_for(r'[a-ep]', 'person') )
print( look_for(r'[0-38]', '666') )
['p', 'e']
没有找到分析如下：
例一的模式等价于 [abcdep]，匹配单词 person 里面的 p 和 e 字符。
例二的模式等价于 [01238]，不匹配单词 666 里面的任何字符。
模式 [a-ep] 和 [0-38] 的可视图如下。
补集字符
在 [ ] 中加入 ^ 即可除去后面的字符集，比如
[^abc] 就是非 a, b, c 的字符
[^123] 就是非 1, 2, 3 的字符
看四个例子。
print( look_for(r'[^abc]', 'baba') )
print( look_for(r'[^abc]', 'steven') )
print( look_for(r'[^123]', '456') )
print( look_for(r'[^123]', '1+2=3') )
没有找到
['s', 't', 'e', 'v', 'e', 'n']
['4', '5', '6']
['+', '=']分析如下：
例一 baba 里面所有字母不是 a 就是 b，因此没有匹配
例二 steven 所有字母都不是 a, b 和 c，因此全部匹配
例三 456 所有字母不是 1,2 和 3，因此全部匹配
例四 1+2=3 有 +号和 =号不是 1, 2 和 3，因此它俩匹配
模式 [^abc] 和 [^123] 的可视图如下。注意 “None of” 是说集合里面的字符是的补集。
2.2
次数字符
上面的模式有个致命短板，就是只能匹配一个字符！这在实际应用几乎没用，因此我们需要某些带有“次数功能”的元字符，如下：
贪婪模式：
* 表示后面可跟 0 个或多个字符
+ 表示后面可跟 1 个或多个字符
? 表示后面可跟 0 个或 1 个字符
非贪婪模式：
*? 表示后面可跟 0 个或多个字符，但只取第一个
+? 表示后面可跟 1 个或多个字符，但只取第一个
?? 表示后面可跟 0 个或 1 个字符，但只取第一个
贪婪模式和非贪婪模式的区别在下面讲 ? 的时候会介绍。
星号（asterisk）- *
首先定义“字符 u 可以出现 0 次或多次”的模式，结果不需要解释。
pat = r'colou*r'
print( look_for(pat, 'color') )
print( look_for(pat, 'colour') )
print( look_for(pat, 'colouuuuuur') )
['color']
['colour']
['colouuuuuur']模式 colou*r 的可视图如下。
注意 u 附近有三条通路
上路跳过 u，代表零个 u
中路穿越 u，代表一个 u
下路循环 u，代表多个 u
加号（plus sign）- +
首先定义“字符 u 可以出现 1 次或多次”的模式，结果不需要解释。
pat = r'colou+r'
print( look_for(pat, 'color') )
print( look_for(pat, 'colour') )
print( look_for(pat, 'colouuuuuur') )
没有找到
['colour']
['colouuuuuur']模式 colou+r 的可视图如下。
注意 u 附近有两条通路
中路穿越 u，代表一个 u
下路循环 u，代表多个 u
问号（question mark）- ?
首先定义“字符 u 可以出现 0 次或 1 次”的模式，结果不需要解释。
pat = r'colou?r'
print( look_for(pat, 'color') )
print( look_for(pat, 'colour') )
print( look_for(pat, 'colouuuuuur') )
['color']
['colour']
没有找到模式 colou+r 的可视图如下。
注意 u 附近有两条通路
上路跳过 u，代表零个 u
中路穿越 u，代表一个 u
有的时候一个句子里会有重复的字符，假如是 > 字符，如果我们要匹配这个>，到底在哪一个 > 就停止了呢？
这个就是贪心（greedy）模式和非贪心（non-greedy）模式的区别，让我们来看个例子。
heading = r'TITLE
'
如果模式是 <.+>，那么我们要获取的就是以 < 开头，以 > 结尾，中间有 1 个或多个字符的字符串。这里我们先提前介绍 . 字符，它是一个通配符，可以代表任何除新行 (\n) 的字符。
pat = r'<.+>'
print( look_for(pat, heading) )
['TITLE
']结果如上，获取的字符串确实以 < 开头，以 > 结尾，但是仔细看下，其实在 heading[3] 出也是 >，为什么没有匹配到它而是匹配到最后一个 > 呢？
原因就是上面用了贪婪模式，即在整个表达式匹配成功的前提下，尽可能多的匹配。那么其对立的非贪婪模式，就是在整个表达式匹配成功的前提下，尽可能少的匹配。
实现非贪婪模式只需在最后加一个 ? 字符，代码如下：
pat = r'<.+?>'
print( look_for(pat, heading) )
['', '
']结果无需解释。
有意思的是，模式 <.+> 和 <.+?> 的可视化图长得一样，如下。这样我们就无法从图上分辨是否使用贪婪或非贪婪的模式了，只能从代码中识别了。
大括号（curly bracket）- {}
有的时候我们非常明确要匹配的字符出现几次，比如
中国的手机号位数是 13 位，n = 13
密码需要 8 位以上，n ≥ 8
公众号文章标题长度不能超过 64，n ≤ 64
用户名需要在 8 到 16 位之间，8 ≤ n ≤ 16
这时我们可以设定具体的上界或（和）下界，使得代码更加有效也更好读懂，规则如下：
{n} 左边的字符串是否出现 n 次
{n, } 左边的字符串是否出现大于等于 n 次
{, n} 左边的字符串是否出现小于等于 n 次
{n, m} 左边的字符串是否出现在 n 次和 m 次之间
用规则来看例子，很容易看懂。
s = 'a11bbb2222ccccc'
print( look_for(r'[a-z]{1}', s) )
print( look_for(r'[0-9]{2,}', s) )
print( look_for(r'[a-z]{,5}', s) )
print( look_for(r'[0-9]{2,4}', s) )
['a', 'b', 'b', 'b', 'c', 'c', 'c', 'c', 'c']
['11', '2222']
['a', '', '', 'bbb', '', '', '', '', 'ccccc', '']
['11', '2222']需要解释的是例三，匹配五个以下的 a 到 z 小写字母，当然也包括零个，因此结果包含那些空字符。
模式 {n}, { ,n}, {n, } 和 {n, m} 的可视图如下：
上面都是贪婪模式，当然也有其对应的非贪婪模式，但只有 {n, m}? 有意义，原因自己想。上面的模式对于前一个字符重复 m 到 n 次，并且取尽可能少的情况。比如在字符串'sssss'中，s{2,4} 会匹配 4 个 s，但 s{2,4}? 只匹配 2 个 s。
2.3
并列字符
字符集合问题解决了，字符次数问题解决了，如果现在面临的问题着是匹配 A 或 B 其中一个呢？用垂线 | 字符，A|B，如果 A 匹配了，则不再查找 B，反之亦然。
垂线（vertical line）- |
首先定义“句子出现 like 或 love 一词”的模式。
pat = r'like|love'
print( look_for(pat, 'like you') )
print( look_for(pat, 'love you') )
['like']
['love']模式 like|love 的可视图如下，其并列模式体现在黑点到白点的并行通路上。
2.4
提取字符
如果你想把匹配的内容提取出来，用小括号，而在小括号里面你可以设计任意正则表达式。
小括号（square bracket）- ()
首先定义“beat 的第三人称，过去式，过去分词和现在进行式”的模式，为了获取 beat 加正确后缀的所有单词。
pat = r'beat(s|ed|en|ing)'
print( look_for(pat, 'beats') )
print( look_for(pat, 'beated') )
print( look_for(pat, 'beaten') )
print( look_for(pat, 'beating') )
['s']
['ed']
['en']
['ing']我们将出现在 () 里面的后缀都获取出来了，其可视图如下，我们发现“Group 1”代表 () 起的作用。
但其实这不是我们想要的，我们想把带着后缀的 beat 给获取出来。那么只有在最外面再加一层 ()，模式如下。
pat = r'(beat(s|ed|en|ing))'
print( look_for(pat, 'beats') )
print( look_for(pat, 'beated') )
print( look_for(pat, 'beaten') )
print( look_for(pat, 'beating') )
[('beats', 's')]
[('beated', 'ed')]
[('beaten', 'en')]
[('beating', 'ing')]其可视图如下，我们发现 Group 2 嵌套在 Group 1 里面。
现在带着后缀的 beat 已经获取出来了，上面列表中每个元组的第一个元素，但完美主义者不想要后缀（即元组的第二个元素），可以用下面的骚模式。
在 () 中最前面加入 ?:。(?:) 代表只匹配不获取（non-capturing），结果看上去非常自然。
pat = r'(beat(?:s|ed|en|ing))'
print( look_for(pat, 'beats') )
print( look_for(pat, 'beated') )
print( look_for(pat, 'beaten') )
print( look_for(pat, 'beating') )
['beats']
['beated']
['beaten']
['beating']其可视图如下，我们发现只有一个 Group 1，那个内括号，代表不被获取的内容，没有体现在下图中。
2.5
转义字符
字符集合问题解决了，字符次数问题解决了，字符并列问题解决了，字符获取问题解决了，看上去我们能做很多事了。别急，RE 给你最后一击，转义字符，让模式更加强大。
转义字符，顾名思义，就是能转换自身含义的字符。
点 . 不再是点，美元 $ 不再是美元，等等等等。。。
点（dot）- .
点 . 表示除新行（newline）的任意字符，它是个通配符。用它最无脑简便，但是代码也最难读懂，效率也最低下。
定义“含有 1 个或多个非新行字符”的模式。
pat = r'.+'
print( look_for(pat, 'a') )
print( look_for(pat, 'b1') )
print( look_for(pat, 'C@9') )
print( look_for(pat, '$ 9_fZ') )
print( look_for(pat, '9z_\t\r\n') )
['a']
['b1']
['C@9']
['$ 9_fZ']
['9z_\t\r']除了最后例子中的 \n 没有匹配到，其他的字符全部匹配出来。
托字符（carat）- ^
托字符 ^ 表示字符串开头。
定义“以 s 开头字符串”的模式。
pat = r'^s[\w]*'
print( look_for(pat, 'son') )
print( look_for(pat, 'shot') )
print( look_for(pat, 'come') )
['son']
['shot']
没有找到结果太明显，不解释。
美元符（dollar sign）- $
美元符 $ 表示字符串结尾。
定义“以 s 结尾字符串”的模式。
pat = r'[\w]*s$'
print( look_for(pat, 'yes') )
print( look_for(pat, 'mess') )
print( look_for(pat, 'come') )
['yes']
['mess']
没有找到结果太明显，不解释。
反斜杠（backslash）- \
更厉害的是，反斜杠 \ 可对特殊字符进行转义，也可对普通字符转义。
将特殊字符转成自身含义：用 \ 作用在 ^ . \ 等身上，代表乘方 \^、小数点 \. 和除号 \\
将自身字符转成特殊含义：用 \ 作用在 w d n 等身上，代表字母 \w、数字 \d 和新行 \n
特殊 --> 自身
在反斜杠的限制下，$ 终于代表美元了！
pat = r'\$[0-9.]+'
print( look_for(pat, 'it costs $99.99') )
['$99.99']在反斜杠的限制下， ^ . \ 终于代表乘方、小数点和除号了！
pat = r'(\\|\/|\^|\.)'
print( look_for(pat, '(5/2)^2=6.25') )
['/', '^', '.']没有了反斜杠的限制，一切乱了套，点 . 就是通配符，可以匹配字符串里所有字符。
pat = r'(\|/|^|.)'
print( look_for(pat, '(5/2)^2=6.25') )
['', '(', '5', '/', '2', ')', '^', '2', '=', '6', '.', '2', '5']但如果在中括号 [] 集合里，每个字符就是它本身的意义，点就是点，而不是通配符。
pat = r'[/^\.]'
print( look_for(pat, '(5/2)^2=6.25') )
['/', '^', '.']自身 --> 特殊
规则总结如下（大写和小写互补，两者加一起是全集）：
\b：匹配空字符串，但仅适用于单词的“首尾”
\B：匹配空字符串，但仅适用于单词的“非首尾”
\d：匹配任何“数字”字符，等价于 [0-9]
\D：匹配任何“非数字”字符，等价于 [^0-9]
\s：匹配任何“空白”字符，等价于 [\t\n\r]
\S：匹配任何“非空白”字符，等价于 [^\t\n\r]
\w：匹配任何“字母数字下划线”字符，等价于 [a-zA-Z0-9_]
\W：匹配任何“非字母数字下划线”字符，等价于 [^a-zA-Z0-9_]
\A：匹配句子的“开头”字符，等价于 ^
\Z：匹配句子的“结尾”字符，等价于 $
\t：匹配句子的“制表键 (tab)”字符
\r：匹配句子的“回车键 (return)”字符
\n：匹配句子的“换行键 (newline)”字符
\b \B
pat = r'\blearn\b'
print( look_for(pat, 'learn Python') )
print( look_for(pat, 'relearn Python') )
print( look_for(pat, 'learning Python') )
print( look_for(pat, 'relearning Python') )
['learn']
没有找到
没有找到
没有找到\b 只能抓住 learn 前后的首尾空字符，那么只能匹配不带前缀和后缀的 learn， 即 learn 本身。
pat = r'\Blearn\B'
print( look_for(pat, 'learn Python') )
print( look_for(pat, 'relearn Python') )
print( look_for(pat, 'learning Python') )
print( look_for(pat, 'relearning Python') )
没有找到
没有找到
没有找到
['learn']\B 只能抓住 learn 前后的非首尾空字符，那么只能匹配带前缀和后缀的 learn，即 relearning。
pat = r'\blearn\B'
print( look_for(pat, 'learn Python') )
print( look_for(pat, 'relearn Python') )
print( look_for(pat, 'learning Python') )
print( look_for(pat, 'relearning Python') )
没有找到
没有找到
['learn']
没有找到learn 前 \b 后 \B，只能匹配带后缀的 learn，即 learning。
pat = r'\Blearn\b'
print( look_for(pat, 'learn Python') )
print( look_for(pat, 'relearn Python') )
print( look_for(pat, 'learning Python') )
print( look_for(pat, 'relearning Python') )
没有找到
['learn']
没有找到
没有找到learn 前 \B 后 \b，只能匹配带前缀的 learn，即 relearn。
\d \D
pat = r'\d+'
print( look_for(pat, '12+ab34-cd56*ef78/gh90%ij') )
['12', '34', '56', '78', '90']匹配数字，不解释。
pat = r'\D+'
print( look_for(pat, '12+ab34-cd56*ef78/gh90%ij') )
['+ab', '-cd', '*ef', '/gh', '%ij']匹配非数字，不解释。
\s \S
pat = r'\s+'
s = '''please don't
leave me
alone'''
print( look_for(pat, s) )
[' ', '\n', ' ', '\n ']匹配各种空格比如制表、回车或新行，不解释。
pat = r'\S+'
print( look_for(pat, s) )
['please', "don't", 'leave', 'me', 'alone']匹配各种非空格，不解释。
\w \W
pat = r'\w+'
print( look_for(pat, '12+ab_34-cd56_ef78') )
['12', 'ab_34', 'cd56_ef78']匹配字母数字下划线，不解释。
pat = r'\W+'
print( look_for(pat, '12+ab_34-cd56_ef78') )
['+', '-']匹配非字母数字下划线，不解释。
\A \Z
pat1 = r'^y[\w]*'
pat2 = r'\Ay[\w]*'
str1 = 'you rock'
str2 = 'rock you'
print( look_for(pat1, str1) )
print( look_for(pat2, str1) )
print( look_for(pat1, str2) )
print( look_for(pat2, str2) )
['you']
['you']
没有找到
没有找到匹配开头字符，\A 和 ^ 等价，不解释。
pat1 = r'[\w]*k$'
pat2 = r'[\w]*k\Z'
str1 = 'you rock'
str2 = 'rock you'
print( look_for(pat1, str1) )
print( look_for(pat2, str1) )
print( look_for(pat1, str2) )
print( look_for(pat2, str2) )
['rock']
['rock']
没有找到
没有找到匹配结尾字符，\Z 和 $ 等价，不解释。
2
常用函数
了解完上节介绍的元字符的基本知识，本节的函数运用就很简单了。RE 包里常见的函数总结如下：
match(pat, str)：检查字符串的开头是否符合某个模式
search(pat, str)：检查字符串中是否符合某个模式
findall(pat, str)：返回所有符合某个模式的字符串，以列表形式输出
finditer(pat, str)：返回所有符合某个模式的字符串，以迭代器形式输出
split(pat, str)：以某个模式为分割点，拆分整个句子为一系列字符串，以列表形式输出
sub(pat, repl, str)：句子 str 中找到匹配正则表达式模式的所有子字符串，用另一个字符串 repl 进行替换
compile(pat)：将某个模式编译成对象，供之后使用
match(pat, str)
判断模式是否在字符串开头位置匹配。如果匹配，返回对象，如果不匹配，返回 None。
s = 'Kobe Bryant'
print( re.match(r'Kobe', s) )
print( re.match(r'Kobe', s).group() )
print( re.match(r'Bryant', s) )
Kobe
None 该函数返回的是个对象（包括匹配的子字符串和在句中的位置索引），如果只需要子字符串，需要用 group() 函数。
由于值匹配句头，那么句中的 Bryant 无法被匹配到。
search(pat, str)
在字符串中查找匹配正则表达式模式的位置。如果匹配，返回对象，如果不匹配，返回 None。
s = 'Kobe Bryant'
print( re.search(r'Kobe', s) )
print( re.search(r'Kobe', s).group() )
print( re.search(r'Bryant', s) )
print( re.search(r'Bryant', s).group() )
Kobe
Bryant 该函数返回的是个对象（包括匹配的子字符串和在句中的位置索引），如果只需要子字符串，需要用 group() 函数。
如果句子出现两个 Bryant 呢？
s = 'Kobe Bryant loves Gianna Bryant'
print( re.search(r'Bryant', s) )
print( re.search(r'Bryant', s).group() )
print( re.search(r'Bryant', s) )
Bryant
根据结果只匹配出第一个，我们需要下面的函数来匹配全部。
findall(pat, str)
在字符串中找到正则表达式所匹配的所有子串，并组成一个列表返回。
s = 'Kobe Bryant loves Gianna Bryant'
print( re.findall(r'Kobe', s) )
print( re.findall(r'Bryant', s) )
print( re.findall(r'Gigi', s) )
['Kobe']
['Bryant', 'Bryant']
[]结果不解释。
finditer(pat, str)
和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并组成一个迭代器返回。
s = 'Kobe Bryant loves Gianna Bryant'
print( [i for i in re.finditer(r'Kobe', s)] )
print( [i for i in re.finditer(r'Bryant', s)] )
print( [i for i in re.finditer(r'Gigi', s)] )
[]
[,
]
[] 如果需要匹配子串在原句中的位置索引，用 finditer，此外用 findall。
split(pat, str)
将字符串匹配正则表达式的部拆分开并返回一个列表。
s = 'Kobe Bryant loves Gianna Bryant'
print( re.split(r'\s', s) )
['Kobe', 'Bryant', 'loves', 'Gianna', 'Bryant']按空格拆分，不解释。
sub(pat, repl, str)
句子 str 中找到匹配正则表达式模式的所有子字符串，用另一个字符串 repl 进行替换。如果没有找到匹配模式的串，则返回未被修改的句子 str，其中 repl 既可以是字符串也可以是一个函数。
s = 'Kobe Bryant loves Gianna Bryant'
print( re.sub(r'\s', '-', s) )
Kobe-Bryant-loves-Gianna-Bryant用 - 代替空格。
print( re.sub(r'Gianna', 'Gigi', s) )
Kobe Bryant loves Gigi Bryant用 Gigi 代替 Gianna。
print( re.sub(r'\d+', '_', s) )
Kobe Bryant loves Gianna Bryant用 _ 代替数字（一个或多个），但句中没有数字，因此没用替代动作。
print( re.sub(r'\d*', '_', s)
_K_o_b_e_ _B_r_y_a_n_t_ _l_o_v_e_s_ _G_i_a_n_n_a_ _B_r_y_a_n_t_用 _ 代替数字（零个或多个），虽然句中没有数字，但是零个数字就是空字符，因此 _ 替代所有空字符。好玩吧 :)
compile(pat)
把正则表达式的模式转化成正则表达式对象，供其他函数如match 和 search 使用。对象创建出来可以循环使用，如果某种模式要重复使用话，用“先 compile 再 findall”的方式更加高效。
用处理电邮地址来举例。
email = '''Shengyuan Personal: [email protected]
Shengyuan Work: [email protected]
Shengyuan School: [email protected]
Obama: [email protected]'''
print(email)
Shengyuan Personal: [email protected]
Shengyuan Work: [email protected]
Shengyuan School: [email protected]
Obama: [email protected]创建电邮的模式 r'[\w.-]+@[\w.-]+'，用 compile 先创建 RE 对象，供之后使用。
pat = r'[\w.-]+@[\w.-]+'
obj = re.compile(pat)
obj
re.compile(r'[\w.-]+@[\w.-]+', re.UNICODE)在对象 obj 上分别使用 match, search, findall, findieter 等方法，结果如下：
print( obj.match(email), '\n')
print( obj.search(email), '\n' )
print( obj.findall(email), '\n' )
print( [i for i in obj.finditer(email)])
None
['[email protected]',
'[email protected]',
'[email protected]',
'[email protected]']
[,
,
,
] 在对象 obj 上还可使用 sub 方法，结果如下：
print( obj.sub('[email protected]', email), '\n' )
Shengyuan Personal: [email protected]
Shengyuan Work: [email protected]
Shengyuan School: [email protected]
Obama: [email protected]在对象 obj 上还可使用 split 方法，即把 @ 前后的子串拆分出来，结果如下：
for addr in obj.findall(email):
print( re.split(r'@', addr))
['quantsteven', 'gmail.com']
['shengyuan', 'octagon-advisors.com']
['g0700508', 'nus.edu.sg']
['barack.obama', 'whitehouse.gov']我们还可以再创建个 RE 对象 obj1，专门用来做拆分。
obj1 = re.compile(r'@')
for addr in obj.findall(email):
print( obj1.split(addr))
['quantsteven', 'gmail.com']
['shengyuan', 'octagon-advisors.com']
['g0700508', 'nus.edu.sg']
['barack.obama', 'whitehouse.gov']3
示例展示
3.1
密码例子
密码通常有如下要求。
最少 8 个最多 16 个字符.
至少含有一个大写字母，一个小写字母，一个数字
至少含有一个特殊字符 @ $ ! % * ? & _，但不包括空格
根据上面要求创建模式，相信都可以读懂了吧。
pat = r'^[0-9a-zA-Z@!$#%_-]{8,16}$'
print( look_for(pat, 'stevenwang') )
print( look_for(pat, '19831031') )
print( look_for(pat, 'steven1031') )
print( look_for(pat, 'steven@1031') )
print( look_for(pat, 'Steven@1031') )
print( look_for(pat, 's1031') )
print( look_for(pat, 's@1031') )
print( look_for(pat, 'stevenwang19831031') )
print( look_for(pat, 'stevenwang@19831031') )
['stevenwang']
['19831031']
['steven1031']
['steven@1031']
['Steven@1031']
没有找到
没有找到
没有找到
没有找到结果好像不太对，因为密码必须要含有数字，大小写和特殊字符。
这时候需要用 (?=...) 这个骚操作，意思就是匹配 ’…’ 之前的字符串。在本例中 '...' 包括小写 [a-z]，大写 [A-Z]，数字 \d，特殊字符 [@$!%*?&_]，言下之义就是上面这些必须包含中密码中。
pat = r'^(?=.*[a-z])
(?=.*[A-Z])
(?=.*\d)
(?=.*[$@$!%*?&_])
[A-Za-z\d$@$!%*?&_]{8,16}$'
print( look_for(pat, 'stevenwang') )
print( look_for(pat, '19831031') )
print( look_for(pat, 'steven1031') )
print( look_for(pat, 'steven@1031') )
print( look_for(pat, 'Steven@1031') )
print( look_for(pat, 's1031') )
print( look_for(pat, 's@1031') )
print( look_for(pat, 'stevenwang19831031') )
print( look_for(pat, 'stevenwang@19831031') )
没有找到
没有找到
没有找到
没有找到
['Steven@1031']
没有找到
没有找到
没有找到
没有找到结果完全正确。
上面模式的可视图如下：
3.2
邮箱例子
首先定义邮箱地址的模式 '\S+@\S+'，还记得 \S 是非空格字符，基本代表了所需的字符要求。我们想从从 email.txt 文本中筛选出所有邮箱信息。
pat = r'\S+@\S+'
obj = re.compile(pat)
email_list = []
hand = open('email.txt')
for line in hand:
line = line.rstrip()
email_addr = obj.findall(line)
if len(email_addr) > 0:
email_list.append(email_addr[0])
list(set(email_list))
咋一看结果是对的，但细看（高亮处）有些邮箱地址包含了 <> 的符号，或者根本不是正常的邮箱地址，比如 apache@localhost。
这时候我们需要在模式中添加更多规则，如下。
'[a-zA-Z\d]\S+ 代表第一字符要是数字或字母
\w+\.[a-z]{2,3} 代表 A.B 这样的结构，其中 A 由若干字母数字下划线组成，而 B 由 2 或 3 个小写字母组成（因为通常邮箱最后就是 com, net, gov, edu 等等）。
pat = r'[a-zA-Z\d]\S+@\w+\.[a-z]{2,3}'
结果正常。
3.3
摘要例子
在下面摘要中获取人物、买卖动作、股票数量、股票代号、日期和股价这些关键信息。
news = \
"""
Jack Black sold 15,000 shares in AMZN on 2019-03-06 at a price of $1044.00.
David V.Love bought 811 shares in TLSA on 2020-01-19 at a price of $868.75.
Steven exercised 262 shares in AAPL on 2020-02-04 at a price of $301.00.
"""
给大家留个任务，读懂下面代码，看懂了本帖知识就掌握了。我相信能看到这里的都可以看懂。
pat = r'([a-zA-Z. ]*)' \
'\s(sold|bought|exercised)' \
'\s*([\d,]+)' \
'.*in\s([A-Z]{,5})' \
'.*(\d{4}-\d{2}-\d{2})' \
'.*price of\s(\$\d*.\d*)'
re.findall( pat, news )
[('Jack Black', 'sold', '15,000', 'AMZN', '2019-03-06', '$1044.00'),
('David V.Love', 'bought', '811', 'TLSA', '2020-01-19', '$868.75'),
('Steven', 'exercised', '262', 'AAPL', '2020-02-04', '$301.00')]上面模式的可视图如下：
4
总结
累死了，这次真不想总结了。
记住元字符的用处：集合、次数、并列、获取和转义。
记住函数的用法：先 compile 成 RE 对象，在 findall 或 finditer，由你想查看的信息完整度决定。
下帖我会来个关于 RE 的实际案例分析，并记录我在操作时遇到的问题和解决方案。
Stay Tuned！
