Python全栈之路系列之正则表达式re模块

Python全栈之路系列之正则表达式re模块

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

正则表达式概念

1. 使用单个字符串来描述匹配一系列符合某个句法规则的字符串
2. 是对字符串操作的一种逻辑公式
3. 应用场景：处理文本和数据
4. 正则表示是过程：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；否则匹配失败

字符匹配

字符	描述
.	匹配任意一个字符（除了\n）
\d \D	数字/非数字
\s \S	空白/非空白字符
\w \W	单词字符[a-zA-Z0-9]/非单词字符
\b \B	单词边界，一个\w与\W之间的范围，顺序可逆/非单词边界

• 匹配任意一个字符

 # 匹配字符串abc，.代表b
 >>> re.match('a.c','abc').group()
'abc'

• 数字与非数字

 # 匹配任意一数字
 >>> re.match('\d','1').group()
'1'
 # 匹配任意一个非数字
 >>> re.match('\D','a').group()
'a'

• 空白与非空白字符

 # 匹配任意一个空白字符
 >>> re.match("\s"," ").group()
' '
 # 匹配任意一个非空白字符
 >>> re.match("\S","1").group()
'1'
 >>> re.match("\S","a").group()
'a'

• 单词字符与非单词字符

单词字符即代表[a-zA-Z0-9]

 # 匹配任意一个单词字符
 >>> re.match("\w","a").group()
'a'
 >>> re.match("\w","1").group()
'1'
 # 匹配任意一个非单词字符
 >>> re.match("\W"," ").group()
' '

次数匹配

字符	匹配
*	匹配前一个字符0次或者无限次
+	匹配前一个字符1次或者无限次
?	匹配前一个字符0次或者1次
{m}/{m,n}	匹配前一个字符m次或者N次
*?/+?/??	匹配模式变为贪婪模式（尽可能少匹配字符）

• 介绍

字符	匹配
prev?	0个或1个prev
prev*	0个或多个prev，尽可能多地匹配
prev*?	0个或多个prev，尽可能少地匹配
prev+	1个或多个prev，尽可能多地匹配
prev+?	1个或多个prev，尽可能少地匹配
prev{m}	m个连续的prev
prev{m,n}	m到n个连续的prev，尽可能多地匹配
prev{m,n}?	m到n个连续的prev，尽可能少地匹配
[abc]	a或b或c
[^abc]	非(a或b或c)

• 匹配前一个字符0次或者无限次

 >>> re.match('[A-Z][a-z]*','Aaa').group()
'Aaa'
 >>> re.match('[A-Z][a-z]*','Aa').group()
'Aa'
 >>> re.match('[A-Z][a-z]*','A').group()
'A'

• 匹配前一个字符1次或者无限次

 # 匹配前一个字符至少一次，如果一次都没有就会报错
 >>> re.match('[A-Z][a-z]+','A').group()
Traceback (most recent call last):
  File "", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'

 >>> re.match('[A-Z][a-z]+','Aa').group()
'Aa'
 >>> re.match('[A-Z][a-z]+','Aaaaaaa').group()
'Aaaaaaa'

• 匹配前一个字符0次或者1次

 >>> re.match('[A-Z][a-z]?','A').group()
'A'
 # 只匹配出一个a
 >>> re.match('[A-Z][a-z]?','Aaaa').group()
'Aa'

• 匹配前一个字符m次或者N次

 #匹配前一个字符至少5次
 >>> re.match('\w{5}','asd234').group()
'asd23'
 # 匹配前面的字符6-10次
 >>> re.match('\w{6,10}','asd234').group()
'asd234'
 # 超过的字符就匹配不出来
 >>> re.match('\w{6,10}','asd2313qeadsd4').group()
'asd2313qea'

• 匹配模式变为贪婪模式

 >>> re.match(r'[0-9][a-z]*','1bc').group()
'1bc'
 # *?匹配0次或者多次
 >>> re.match(r'[0-9][a-z]*?','1bc').group()
'1'
 # +?匹配一次或者多次，但是只匹配了一次
 >>> re.match(r'[0-9][a-z]+?','1bc').group()
'1b'
 # ??匹配0次或者一次
 >>> re.match(r'[0-9][a-z]??','1bc').group()
'1'

贪婪匹配和非贪婪匹配

边界匹配

字符	匹配
^	匹配字符串开头
$	匹配字符串结尾
\A \Z	指定的字符串必须出现在开头/结尾

• 匹配字符串开头

 # 必须以指定的字符串开头，结尾必须是@163.com
 >>> re.match('^[\w]{4,6}@163.com$','[email protected]').group()
'[email protected]'

• 匹配字符串结尾

 # 必须以.me结尾
 >>> re.match('[\w]{1,20}.me$','ansheng.me').group()
'ansheng.me'

• 指定的字符串必须出现在开头/结尾

 >>> re.match(r'\Awww[\w]*\me','wwwanshengme').group()
'wwwanshengme'

正则表达式分组匹配

• 匹配左右任意一个表达式

 >>> re.match("www|me","www").group()
'www'
 >>> re.match("www|me","me").group()
'me'

• (ab) 括号中表达式作为一个分组

# 匹配163或者126的邮箱
 >>> re.match(r'[\w]{4,6}@(163|126).com','[email protected]').group()
'[email protected]'
 >>> re.match(r'[\w]{4,6}@(163|126).com','[email protected]').group()
'[email protected]'

• (?P) 分组起一个别名

 >>> re.search("(?Pabc)(?P123)","abc123").groups()
('abc', '123')

• 引用别名为name的分组匹配字符串

 >>> res.group("shuzi")
'123'
 >>> res.group("zimu")
'abc'

re模块常用的方法

• re.match()

语法格式：

match(pattern, string, flags=0)

释意：

Try to apply the pattern at the start of the string, returning a match object, or None if no match was found.

实例：

 # 从头开始匹配，匹配成功则返回匹配的对象
 >>> re.match("abc","abc123def").group()
'abc'
 # 从头开始匹配，如果没有匹配到对应的字符串就报错
 >>> re.match("\d","abc123def").group()
Traceback (most recent call last):
  File "", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'

• re.search()

语法格式：

search(pattern, string, flags=0)

释意：

Scan through string looking for a match to the pattern, returning a match object, or None if no match was found.

实例：

 # 匹配整个字符串，匹配到第一个的时候就返回匹配到的对象
 >>> re.search("\d","abc1123def").group()
'1'

• re.findall()

语法格式：

findall(pattern, string, flags=0)

释意：

Return a list of all non-overlapping matches in the string.

实例：

 # 匹配字符串所有的内容，把匹配到的字符串以列表的形式返回
 >>> re.findall("\d","abc123def456")
['1', '2', '3', '4', '5', '6']

• re.split

语法格式：

split(pattern, string, maxsplit=0)

释意：

Split the source string by the occurrences of the pattern, returning a list containing the resulting substrings.

实例：

 # 指定以数字进行分割，返回的是一个列表对象
 >>> re.split("\d+","abc123def4+-*/56")
['abc', 'def', '+-*/', '']
 # 以多个字符进行分割
 >>> re.split("[\d,]","a,b1c")
['a', 'b', 'c']

• re.sub()

语法格式：

sub(pattern, repl, string, count=0)

释意：

Return the string obtained by replacing the leftmost non-overlapping occurrences of the pattern in string by the replacement repl. repl can be either a string or a callable; if a string, backslash escapes in it are processed. If it is a callable, it’s passed the match object and must return a replacement string to be used.

实例：

 # 把abc替换成def
 >>> re.sub("abc","def","abc123abc")
'def123def'
 # 只替换查找到的第一个字符串
 >>> re.sub("abc","def","abc123abc",count=1)
'def123abc'

实例

string方法包含了一百个可打印的ASCII字符，大小写字母、数字、空格以及标点符号

 >>> import string
 >>> printable = string.printable
 >>> printable
'0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~ \t\n\r\x0b\x0c'

 >>> import re
 # 定义的字符串
 >>> source = '''I wish I may, I wish I migth
... Hava a dish of fish tonight.'''
 # 在字符串中检索wish
 >>> re.findall('wish',source)
['wish', 'wish']
 # 对源字符串任意位置查询wish或者fish
 >>> re.findall('wish|fish',source)
['wish', 'wish', 'fish']
 # 从字符串开头开始匹配wish
 >>> re.findall('^wish',source)    
[]
 # 从字符串开头匹配I wish
 >>> re.findall('^I wish',source)
['I wish']
 # 从字符串结尾匹配fish
 >>> re.findall('fish$',source)   
[]
 # 从字符串结尾匹配fish tonight.
 >>> re.findall('fish tonight.$',source)
['fish tonight.']
 # 查询以w或f开头,后面紧跟着ish的匹配
 >>> re.findall('[wf]ish',source)
['wish', 'wish', 'fish']
 # 查询以若干个w\s\h组合的匹配
 >>> re.findall('[wsh]+',source) 
['w', 'sh', 'w', 'sh', 'h', 'sh', 'sh', 'h']
 # 查询以ght开头，后面紧跟着一个非数字和字母的匹配
 >>> re.findall('ght\W',source)
['ght.']
 # 查询已以I开头，后面紧跟着wish的匹配
 >>> re.findall('I (?=wish)',source)
['I ', 'I ']
 # 最后查询以wish结尾,前面为I的匹配（I出现次数尽量少）
 >>> re.findall('(?<=I) wish',source)
[' wish', ' wish']

• 匹配时不区分大小写

 >>> re.match('a','Abc',re.I).group()
'A'

• r 源字符串，转义，如果要转义要加两个\n

 >>> import re
 >>> pa = re.compile(r'ansheng')
 >>> pa.match("ansheng.me")
<_sre.SRE_Match object; span=(0, 7), match='ansheng'>
 >>> ma = pa.match("ansheng.me")
 >>> ma
<_sre.SRE_Match object; span=(0, 7), match='ansheng'>
 # 匹配到的值存到group内
 >>> ma.group()
'ansheng'
 # 返回字符串的所有位置
 >>> ma.span()
(0, 7)
 # 匹配的字符串会被放到string中
 >>> ma.string
'ansheng.me'
 # 实例放在re中
 >>> ma.re
re.compile('ansheng')