正则表达式是一个以简单直观的方式匹配指定文本信息从而达到查找、替换等操作的目的。正则表达式以其简单而高效的特点使得其在数据分析和数据验证方面应用广泛。
对于简单的正则表达式可以直接百度之,这里重点引荐下‘特殊’操作。
1.非贪婪模式 - {x,y}?
非贪婪模式是指在使用正则匹配时,尽可能少的匹配(默认是贪婪模式,即:尽可能多的匹配)。例:
>>> re.search(r'[\d]{2,5}?','091234568')
<_sre.SRE_Match object; span=(0, 2), match='09'>
在这里{2,5}?匹配只是匹配2-5个[\d]时只要满足2(最少的)个就好,在看看贪婪模式:
>>> re.search(r'[\d]{2,5}','091234568')
<_sre.SRE_Match object; span=(0, 5), match='09123'>
这时候,匹配2-5个[\d]时,默认匹配最多的5个。
注意:贪婪和非贪婪模式的区别就是重复操作符后有没有?字符
2.分组
正则表达式提供了一个机制将表达式分组,匹配的结果也将按照表达式单独分组。例:
>>> m = re.search(r'(\d{3})-(\d{5})','029-25642')
>>> m.group()
'029-25642'
>>> m.groups()
('029', '25642')
>>> m.group(2)
'25642'
可以通过m.groups()看到分组匹配结果,通过m.group(index)查看具体编号的分组结果(编号从1开始,0是完整的匹配)。那分组有什么用呢,好像也没什么特殊的含义,不急,下面会用到。
3.引用分组(回溯) - \N
有这么一种情况,比如假设我要找出一个html文本中的所有标签,怎么办?试试这样:
>>> re.search(r'<(\w+)>.+(\w+)>','this is a demo')
<_sre.SRE_Match object; span=(0, 21), match='this is a demo'>
奇怪的事情来了,为什么被匹配成功了,显然结果并不是想要的,那怎么才能只匹配而过滤掉其他的呢(比如)?答案就是引用分组,例:
>>> re.search(r'<(\w+)>.+\1>','this is a demo demo two
<_sre.SRE_Match object; span=(21, 36), match=' demo two
这里\1是关键,意思就是当前位置匹配的结果需要和第一个分组匹配的结果一致,或者说第一个分组的匹配结果期望在这里再次出现。以此类推。该方法最多只能匹配前99个分组。
4.分组命名 - (?P
分组命名最开始由python引入,比如Django路由中会用到。分组命名的好处是方便,直接使用名字比编号要简单而且不会变化,例:
>>> m = re.search(r'(?P
>>> m.group('first_name')
'029'
>>> m.groupdict()
{'first_name': '029', 'second_name': '8967'}
当然,命名分组仍然是编号分组,依然可以使用编号进行查找分组。
5.先行断言 - X(?!Y)、X(?=Y)
假设有这么一种情况,要查找所有163信箱的文本,也就是@163.com结尾的所有email账号信息,也就是说不要@163.com这部分,但是其还要参与匹配。这就用到了先行断言,也即基于之后的内容是否存在接收或拒绝一个匹配,而不需要接下来的内容作为匹配的一部分。例:
>>> re.search(r'h(?!e)','hello home!')
<_sre.SRE_Match object; span=(6, 7), match='h'>
h(?!e)表示匹配h,而且h后面不能是e,此处匹配成功的是home,但是只返回h
>>> re.search(r'h(?=e)','hello home!')
<_sre.SRE_Match object; span=(0, 1), match='h'>
h(?=e)表示匹配he,此处匹配成功的是hello,但是只返回h
6.标记
不区分大小写:re.IGNORECASE(简写re.I)-使得正则表达式不区分大小写
点匹配换行符:re.DOTALL(简写re.S)-使得 . 符号可以匹配换行符
多行模式:re.MULTILINE(简写re.M)-使得^$字符可以匹配任意行的开始与结束
详细模式:re.VERBOSE(简写re.X)-使得正则表达式可以换行书写,且可以加入注释
调试模式:re.DEBUG-将调试信息输出到sys.stderr
使用多个标记时,使用|分隔,如re.S|re.M