Python正则表达式

正则表达式（regular expression，re）是由字符和特殊符号组成的字符串，其实际上是一种字符串模式，对于符合模式的多个字符串常用数据检索、地址匹配、文本处理等方面。

正则表达式特殊符号

Python标准库中的re模块中定义了很多正则表达式特殊符号，可归纳为以下几个方面：

定义匹配字符的特殊符号：

符号	解释	示例
[]	方括号，用于产生一个字符集合，表示字符集合中的任意一个字符。 方括号内的“-”符号表示某个范围内的字符集合， 方括号开头的“^”符号表示除方括号内已列出的字符以外的其他字符集合	[agiser]表示a,g,i,s,e,r中任何一个字符 [a-z]表示任何一个小写字母 [0-9]表示任何一个十进制数字 [^agister]表示除a,g,i,s,e,r外的任何一个字符
.	点符号，表示除换行符之外的任何一个字符（如果是一般的点符号，则前面加\表示）	b.b 表示三个字符组成的字符串，前后为b，中间字符为除换行符之外的任何一个字符
\	与其他字符组合表示具有特定意义的特殊字符	\d 表示任意数字字符，同[0-9] \D 表示任意非数字字符 \w 表示任意数字字母字符，同[A-Za-z0-9] \W 表示任意非数字字母字符 \s 表示空字符 \S 表示非空字符

定义匹配字符串（或正则表达式）出现次数的特殊符号:

符号	解释	示例
|	多个字符（或正则表达式）中的任何一个	A|B表示A和B中任何一个
*	前面定义字符（或正则表达式）0个或多个	[0-9]*表示任何一个数字0个或多个
+	前面定义字符（或正则表达式）1个或多个	[0-9]+表示任何一个数字0个或多个
？	前面定义字符（或正则表达式）0个或1个	[0-9]表示任何一个数字0个或1个
{N}	前面定义字符（或正则表达式）N个	[0-9]{3}表示任何一个数字3个
{M,N}	前面定义字符（或正则表达式）M~N个	[0-9]{3,5}表示任何一个数字3~5个

定义匹配字符串位置的特殊符号:

符号	解释	示例
^	匹配对象的开始位置	^Dear 表示匹配字符串以Dear开头
$	匹配对象的结尾位置	sh$ 表示匹配字符串以sh结尾
\b	单词边界（需要在前面加\进行转义）	\\bthe\\b 表示匹配字符串为the，前面没有其他字符
\B	非单词边界	\\Bthe\\B 表示匹配字符串包含the，前后要有其他字符

定义前后字符串的特殊符号:

符号	解释	示例
(?=…)	定义后面紧接的字符串	abc(?=def) 表示 abc 后面紧接 def
(?!..)	定义后面不能紧接的字符串	abc(?!def) 表示 abc 后面不能紧接 def
(?<=…)	定义前面紧接的字符串	(?<=abc)def 表示 def 前面紧接 abc
(?	定义前面不能紧接的字符串	(?

正则表达式构建

正则表达式的构建首先需要考虑正则表达式由几部分构成，其次构建每部分对应的正则表达式，然后再把各部分的正则表达式连接在一起。

示例（根据电子邮箱地址规则构建电子邮箱地址的正则表达式）：
电子邮箱地址具有以下几条规则：
（1）邮箱地址的第一部分由若干数字、字母或下划线字符组成。

[A-Za-z0-9_]+

（2）邮箱地址第二部分是一个@符号。

@

（3）邮箱地址第三部分由若干数字、字母或点符号组成，但第一个字符不能是点符号。

(?<!\.)[A-Za-z0-9\.]+

（4）邮箱地址最后部分是顶级域名，可以是com、org、edu、net和cn等等（这里构建正则表达式仅认为以这几种常用的为结尾），并且域名前有个点符号。

\.(com|org|edu|net|cn)$

连接后，完整的表达式是：

[A-Za-z0-9_]+@(?<!\.)[A-Za-z0-9\.]+\.(com|org|edu|net|cn)$

正则表达式可以先编译成正则表达式对象（regex 对象），以提高字符串匹配速度。re模块中的compile函数用于把正则表达式编译成正则表达式对象，
如：

expr = re.compile("[A-Za-z0-9_]+@(?)

正则表达式应用

re模块提供了多个基于正则表达式的字符串匹配函数，用于检验、提取、分隔及替代字符串操作。
re模块的字符串匹配函数:

函数	解释
match(pattern, string [,flags])	用正则表达式模式pattern匹配字符串string（从字符串的起始位置开始匹配），如果匹配成功，则返回一个匹配对象，否则，返回None
search(pattern, string [,flag])	用正则表达式模式pattern匹配字符串string（从任何位置开始匹配），如果匹配成功，则返回一个匹配对象，否则，返回None
findall(pattern, string [,flag])	用正则表达式模式pattern搜索字符串string中所有匹配，返回匹配字符串列表。如没有匹配则返回空列表
split(pattern, string [,maxsplit=0])	用正则表达式模式pattern作为分隔符，对字符串string进行分隔，返回一个字符串列表
sub(pattern, repl, string [,count])	用正则表达式模式pattern搜索字符串string中所有匹配，并替换成repl字符串

示例：

m1 = re.match("world", "helloworld")
print(m1)  # 输出 None

m2 = re.search("world", "helloworld")
print(m2)  # 输出 

m3 = re.findall("[a-c]{2}", "abcdecadbs")
print(m3)  # 输出 ['ab', 'ca']

m4 = re.split(",", "hi,hello,world", maxsplit=2)
print(m4)  # 输出 ['hi', 'hello', 'world']

m5 = re.sub("1", "3", "a1b1c1", count=3)
print(m5)  # 输出 a3b3c3
'''注：split的maxsplit参数和sub的count参数分别表示最大分隔次数和替换数量，默认为0 为分隔或替换字符串中所有满足pattern的字符串'''

此外，字符串匹配函数中的flags参数是可选标识符，具体见下表。
re模块中定义的标识符:

标识符	解释
IGNOREACASE	忽略大小写
LOCALE	处理字符集本地化
MULTILINE	支持多行匹配
DOTALL	点符号匹配所有字符（包括换行符）
VERBOSE	忽略空格或换行等字符
UNICODE	使用Unicode编码

示例：

f = re.findall("b[aiu]t", "BUT,bet,bit,buat,butter,bIT", re.IGNORECASE)
print(f)  # 忽略大小写，输出 ['BUT', 'bit', 'but', 'bIT']

由前面可知，match函数和search函数返回的是匹配对象，可利用匹配对象的属性和方法进一步操作。
匹配对象的主要属性和方法:

属性和方法	解释
group()	返回匹配字符串
start()	返回匹配字符串在原字符串中的起始位置
end()	返回匹配字符串在原字符串中的结束位置
span()	返回匹配字符串在原字符串中的起始和结束位置

示例：

s = re.search("me", "watermelon")
print("匹配字符串：", s.group())  # 输出 匹配字符串： me
print("起始位置：", s.start())  # 输出 起始位置： 5
print("结束位置：", s.end())  # 输出 结束位置： 7
print("起始和结束位置：", s.span())  # 输出 起始和结束位置： (5, 7)

如果要对一个字符串进行分隔，可以采用分组匹配的方法。
分组匹配的正则表达式由圆括号分隔的多个正则表达式组成，字符串按照顺序与每一个正则表达式进行匹配与分隔，已匹配的子串后面不再匹配，如果有一组不能匹配，则返回None值。
分组匹配的匹配对象可以通过 group(i) 返回第i个匹配的字符串或通过 groups() 返回所有匹配字符串的元组。

示例（分组匹配）：

w = re.match("(water)(melon)", "watermelon")
print(w.group())  # 输出 watermelon
print(w.group(1))  # 输出 water
print(w.group(2))  # 输出 melon
print(w.groups())  # 输出 ('water', 'melon')

---

示例（检验电子邮箱地址是否正确）：

import re

address = ["[email protected]",
           "zhangsan163.com",
           "[email protected]",
           "zhangsan*[email protected]",
           "[email protected]"]
expr = re.compile("[A-Za-z0-9_]+@(?)
for addr in address:
    m = re.match(expr, addr)
    if m:
        print("%s is right" % addr)
    else:
        print("%s is wrong" % addr)

输出：

以上内容参考整理自《地理数据处理与分析》一书，作学习笔记。

进一步学习→https://docs.python.org/zh-cn/3/library/re.html