Python--正则表达式处理文本

正则表达式(又称规则表达式),由元字符及其不同组合组成,是一种特殊的文本模式。构造正则表达式可用来匹配目标字符串内容,对目标对象进行检索,替换等字符串处理操作。

正则表达式,不仅存在于Python程序语言,其他程序语言如java中也有,属于共同部分,操作形式上大同小异。它可以迅速地用极简单的方式达到字符串的复杂控制,具有灵活性、逻辑性和功能性非常强等特点。

一、正则表达式模块处理字符串

Python标准库 re 提供了正则表达式操作所需全部功能,可直接使用 re 模块中的方法结合编写的表达式文本对目标字符串进行处理。 

常见的re模块方法:

函数参数说明:pattern为匹配的正则表达式;string为字符串匹配对象;flags为标志位,用于控制正则表达式的匹配方式;repl为字符串或返回字符串的可调用对象。说明一下,flags作为函数参数,可以是re.I表示忽略大小写、re.S表示匹配包括换行符在内的任意字符、re.M表示多行匹配模式等。

(1)compile ( pattern [, flags] )

创建模式对象,根据一个模式字符串和可选的标志参数生成一个正则表达式对象。

>>> import re
>>> example = 'xin nian kuai le!'
>>> pattern = re.compile(r'\b\w+\b')
>>> pattern.findall(example)
['xin', 'nian', 'kuai', 'le']

(2)findall( pattern ,string [, flags] )

findall()方法字符串中查找所有符合正则表达式的字符串并以列表形式返回(列出模式所有在字符串中成功匹配项)。

(3)match( pattern , string [, flags ] )

正则表达式对象match()方法在字符串开头或者指定位置进行搜索,模式必须出现在字符串开头或者指定位置,返回match对象,无匹配对象返回None。

关于match对象:

match()方法和search()方法匹配成功后返回是match对象,match对象主要方法有group()返回多子模式内容,及groupdict()返回含有匹配所有子模式内容的字典等等。

>>> import re
>>> m = re.match(r'(\w+) (\w+)','Isaac Newton, physicist')
>>> m.group(0)
'Isaac Newton'
>>> m.group(1)
'Isaac'
>>> m.group(2)
'Newton'
>>> m.group(1,2)
('Isaac', 'Newton')

(4)sub ( repl ,  string , [, count=0] )

sub()和subn()方法都可实现字符串的替换功能,count为替换限制次数。与sub()不同,subn()会多返回替换次数。

>>> import re
>>> example = 'hello hello you are welcome,hello!'
>>> pattern = re.compile(r'\bhello\b')
>>> pattern.sub('ok',example,count=2)
'ok ok you are welcome,hello!'
>>> pattern.subn('ok',example,count=2)
('ok ok you are welcome,hello!', 2)

(5)search ( string [, pos [, endpos] ] )

search()方法在整个字符串内或者指定范围内进行搜索,可返回第一个成功匹配项的位置信息。

>>> import re
>>> example = 'hello hello you are welcome,hello!'
>>> pattern = re.compile(r'\bhello\b')
>>> pattern.search(example)

二、元字符

正则表达式元字符数量很多,可以通过下面列表了解下:

元字符

描述

\

将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如,“\\n”匹配\n。“\n”匹配换行符。序列“\\”匹配“\”而“\(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。

^

匹配输入字行首。如果设置了RegExp对象的Multiline属性,^也匹配“\n”或“\r”之后的位置。

$

匹配输入行尾。如果设置了RegExp对象的Multiline属性,$也匹配“\n”或“\r”之前的位置。

*

匹配前面的子表达式任意次。例如,zo*能匹配“z”,也能匹配“zo”以及“zoo”。*等价于{0,}。

+

匹配前面的子表达式一次或多次(大于等于1次)。例如,“zo+”能匹配“zo”以及“zoo”,但不能匹配“z”。+等价于{1,}。

?

匹配前面的子表达式零次或一次。例如,“do(es)?”可以匹配“do”或“does”。?等价于{0,1}。

{n}

n是一个非负整数。匹配确定的n次。例如,“o{2}”不能匹配“Bob”中的“o”,但是能匹配“food”中的两个o。

{n,}

n是一个非负整数。至少匹配n次。例如,“o{2,}”不能匹配“Bob”中的“o”,但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。

{n,m}

mn均为非负整数,其中n<=m。最少匹配n次且最多匹配m次。例如,“o{1,3}”将匹配“fooooood”中的前三个o为一组,后三个o为一组。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。

?

当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少地匹配所搜索的字符串,而默认的贪婪模式则尽可能多地匹配所搜索的字符串。例如,对于字符串“oooo”,“o+”将尽可能多地匹配“o”,得到结果[“oooo”],而“o+?”将尽可能少地匹配“o”,得到结果 ['o', 'o', 'o', 'o']

.点

匹配除“\n”和"\r"之外的任何单个字符。要匹配包括“\n”和"\r"在内的任何字符,请使用像“[\s\S]”的模式。

(pattern)

匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。要匹配圆括号字符,请使用“\(”或“\)”。

(?:pattern)

非获取匹配,匹配pattern但不获取匹配结果,不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分时很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。

(?=pattern)

非获取匹配,正向肯定预查,在任何匹配pattern的字符串开始处匹配查找字符串,该匹配不需要获取供以后使用。例如,“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”,但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。

(?!pattern)

非获取匹配,正向否定预查,在任何不匹配pattern的字符串开始处匹配查找字符串,该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”,但不能匹配“Windows2000”中的“Windows”。

(?<=pattern)

非获取匹配,反向肯定预查,与正向肯定预查类似,只是方向相反。例如,“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”,但不能匹配“3.1Windows”中的“Windows”。

*python的正则表达式没有完全按照正则表达式规范实现,所以一些高级特性建议使用其他语言如java、scala等

(?

非获取匹配,反向否定预查,与正向否定预查类似,只是方向相反。例如“(?

*python的正则表达式没有完全按照正则表达式规范实现,所以一些高级特性建议使用其他语言如java、scala等

x|y

匹配x或y。例如,“z|food”能匹配“z”或“food”(此处请谨慎)。“[z|f]ood”则匹配“zood”或“food”。

[xyz]

字符集合。匹配所包含的任意一个字符。例如,“[abc]”可以匹配“plain”中的“a”。

[^xyz]

负值字符集合。匹配未包含的任意字符。例如,“[^abc]”可以匹配“plain”中的“plin”任一字符。

[a-z]

字符范围。匹配指定范围内的任意字符。例如,“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。

注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.

[^a-z]

负值字符范围。匹配任何不在指定范围内的任意字符。例如,“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。

\b

匹配一个单词的边界,也就是指单词和空格间的位置(即正则表达式的“匹配”有两种概念,一种是匹配字符,一种是匹配位置,这里的\b就是匹配位置的)。例如,“er\b”可以匹配“never”中的“er”,但不能匹配“verb”中的“er”;“\b1_”可以匹配“1_23”中的“1_”,但不能匹配“21_3”中的“1_”。

\B

匹配非单词边界。“er\B”能匹配“verb”中的“er”,但不能匹配“never”中的“er”。

\cx

匹配由x指明的控制字符。例如,\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则,将c视为一个原义的“c”字符。

\d

匹配一个数字字符。等价于[0-9]。grep 要加上-P,perl正则支持

\D

匹配一个非数字字符。等价于[^0-9]。grep要加上-P,perl正则支持

\f

匹配一个换页符。等价于\x0c和\cL。

\n

匹配一个换行符。等价于\x0a和\cJ。

\r

匹配一个回车符。等价于\x0d和\cM。

\s

匹配任何不可见字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。

\S

匹配任何可见字符。等价于[^ \f\n\r\t\v]。

\t

匹配一个制表符。等价于\x09和\cI。

\v

匹配一个垂直制表符。等价于\x0b和\cK。

\w

匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”,这里的"单词"字符使用Unicode字符集。

\W

匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。

\xn

匹配n,其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。

\num

匹配num,其中num是一个正整数。对所获取的匹配的引用。例如,“(.)\1”匹配两个连续的相同字符。

\n

标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式,则n为向后引用。否则,如果n为八进制数字(0-7),则n为一个八进制转义值。

\nm

标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式,则nm为向后引用。如果\nm之前至少有n个获取,则n为一个后跟文字m的向后引用。如果前面的条件都不满足,若nm均为八进制数字(0-7),则\nm将匹配八进制转义值nm

\nml

如果n为八进制数字(0-7),且ml均为八进制数字(0-7),则匹配八进制转义值nml

\un

匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。例如,\u00A9匹配版权符号(©)。

\p{P}

小写 p 是 property 的意思,表示 Unicode 属性,用于 Unicode 正表达式的前缀。中括号内的“P”表示Unicode 字符集七个字符属性之一:标点字符。

其他六个属性:

L:字母;

M:标记符号(一般不会单独出现);

Z:分隔符(比如空格、换行等);

S:符号(比如数学符号、货币符号等);

N:数字(比如阿拉伯数字、罗马数字等);

C:其他字符。

*注:此语法部分语言不支持,例:javascript。

\<

\>

匹配词(word)的开始(\<)和结束(\>)。例如正则表达式\能够匹配字符串"for the wise"中的"the",但是不能匹配字符串"otherwise"中的"the"。注意:这个元字符不是所有的软件都支持的。

( )

将( 和 ) 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 \1 到\9 的符号来引用。

|

将两个匹配条件进行逻辑“或”(or)运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her",但是不能匹配"it belongs to them."。注意:这个元字符不是所有的软件都支持的。

(此表格取自百度百科正则表达式_百度百科 (baidu.com))

三、正则表达式扩展及举例

正则表达式使用圆括号“()”表示一个子模式,圆括号里的内容作为整体对待。

语法

功能说明

(?P)

为子模式命名

(?iLmsux)

设置匹配标志,可以是几个字母的组合,每个字母含义与编译标志相同

(?:...)

匹配但不捕获该匹配的子表达式

(?P=groupname)

表示在此之前的命名为groupname的子模式

(?#...)

表示注释

(?<=…)

用于正则表达式之前,如果<=后的内容在字符串中不出现则匹配,但不返回<=之后的内容

(?=…)

用于正则表达式之后,如果=后的内容在字符串中出现则匹配,但不返回=之后的内容

(?

用于正则表达式之前,如果

(?!...)

用于正则表达式之后,如果!后的内容在字符串中不出现则匹配,但不返回!之后的内容

(此表格摘自《Python程序设计基础》(董付国 著,清华大学出版社))

正则表达式常见的组合运用:

"[a-zA-Z0-9\_]+"可以匹配至少由一个数字、字母或者下划线组成的字符串。

''(apple | orange)juice"可匹配"apple juice"或者"orange juice"。

"[pjc]ython"可实现匹配"pyhon"或者"jython""cython"。

"^(\w){5,9}$"可实现匹配5-9长度的字符串,可以包括任意字母、数字、下划线。

"^(apple)?(orange)?juice$" 可实现匹配"apple juice"或者"orange juice"或者"juice"三个字符串。

你可能感兴趣的:(Python笔记,正则表达式,python,后端,开发语言)