11 Python的正则表达式

概述

        在上一节，我们介绍了Python的文件操作，包括：打开文件、读取文件、写入文件、关闭文件、文件指针移动、获取目录列表等内容。在这一节中，我们将介绍Python的正则表达式。正则表达式是一种强大的工具，用于在文本中进行匹配、搜索、替换等操作，它提供了一种高效且灵活的方式来处理字符串。使用正则表达式可以大大提高字符串处理的效率，帮助我们在大量的文本数据中快速找到符合特定模式的字符串。

正则表达式的定义

        正则表达式，又称正规表示法、正则式、regex，是一种文本模式，特别适合用来搜索、验证和替换符合特定模式的文本。它是由普通字符以及特殊字符组成的文字模式，该模式描述了一种字符串匹配的模式，可以用来搜索、替换、截取符合特定模式的字符串。

        Python提供了一个内置的re模块，用于处理正则表达式。通过导入re模块，我们可以使用其中的函数来执行正则表达式操作。

正则表达式的语法

        Python正则表达式的语法包括一些特殊的字符和元字符，这些字符可以用来表示特定的模式。下表列出了一些常用的Python正则表达式语法。

语法	含义
.	匹配除了换行符的任意字符
^	匹配字符串的开头
$	匹配字符串的结尾
*	匹配前面的子表达式零次或多次
+	匹配前面的子表达式一次或多次
?	匹配前面的子表达式零次或一次
()	匹配括号内的表达式，也表示一个组
a|b	匹配a或b
{n}	匹配前面的子表达式精确n次
{n,}	匹配前面的子表达式至少n次
{n,m}	匹配前面的子表达式至少n次，但不超过m次
[...]	表示可以匹配的字符集合，比如：[A-Za-z]匹配任何一个字母或数字
[^...]	表示不匹配此字符集，比如：[^A-Za-z]匹配除了字母和数字之外的任何字符
\d	匹配任何十进制数字，相当于[0-9]
\D	匹配任何非数字字符，相当于[^0-9]
\s	匹配任何空白字符，包括空格、制表符、换页符等，等价于[\f\n\r\t\v]
\S	匹配任何非空白字符，等价于[^ \f\n\r\t\v]
\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_]

        另外，还有一些特殊的字符类和转义序列在正则表达式中也比较常见，可参看下表。

语法	含义
\t	制表符（Tab）
\n	换行符
\r	回车符
\f	换页符
\b	退格符
\\	反斜杠本身
\'	单引号本身
\"	双引号本身
\0	空字符
\xnn	ASCII码字符，其中nn是一个两位十六进制数
\unnnn	Unicode字符，其中nnnn是一个四位的十六进制数

re.search函数

        re.search函数在给定的字符串中搜索匹配正则表达式的内容，并返回一个匹配对象。如果匹配到多组，就返回第一组；如果没有找到匹配的内容，则返回None。

        re.search函数的定义如下：

          re.search(pattern, string, flags=0)

        各个参数的含义如下：

        pattern：需要匹配的正则表达式。

        string：待搜索的字符串。

        flags：控制正则表达式行为的标志，可选。可以使用多个标志，通过按位或（|）操作符组合。比如：可以使用re.IGNORECASE来忽略大小写，使用re.MULTILINE来分别对每一行进行匹配。

        re.search函数返回的是一个匹配对象，如果没有找到匹配的内容，则返回None。当匹配成功时，匹配对象具有以下的属性。

        group(index): 返回指定索引的分组，如果索引不存在，则返回整个匹配的文本。

        groups(): 返回一个包含所有分组（索引号大于0的组）的元组。

        start(index): 返回指定索引的分组在字符串中的开始位置。

        end(index): 返回指定索引的分组在字符串中的结束位置。

        span(index): 返回指定索引的分组在字符串中的开始和结束位置的元组。

        如果匹配失败，以下方法会引发异常：

        group(index): 试图获取一个不存在的组的匹配结果，将会引发异常。

        start(index)、end(index)、span(index): 试图获取一个不存在的组的边界位置，将会引发异常。

        我们可以通过下面的示例代码来理解re.search函数。

import re

text = "Hello CSDN!"
result = re.search('(CSDN)', text)
if result:
    # 输出：Found: CSDN (6, 10)
    print("Found:", result.group(1), result.span(1))
else:
    print("Not found")

text = 'be greater than ever'
result = re.search('(.*) greater (.*?) .*', text)
if result:
   # 输出：Found all: be greater than ever
   print ("Found all:", result.group())
   # 输出：Found group 1: be
   print ("Found group 1:", result.group(1))
   # 输出：Found group 2: than
   print ("Found group 2:", result.group(2))
else:
   print("Not found")

re.match函数

        re.match函数用于在字符串的开始处进行正则表达式匹配，并返回一个匹配对象。如果没有找到匹配的内容，则返回None。re.match函数与re.search函数的区别在于：re.match函数只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败并返回None；而re.search函数会匹配整个字符串，直到找到一个匹配的。

import re

text = 'Hello CSDN'
result = re.match('Hello', text)
# 从字符串的开始处进行匹配，能找到，输出：Found: Hello
if result:
    print("Found:", result.group())
else:
    print("Not found")

text = 'CSDN Hello'
result = re.match('Hello', text)
# 从字符串的开始处进行匹配，找不到，输出：Not found
if result:
    print("Found:", result.group())
else:
    print("Not found")

text = '[email protected]'
result = re.match(r'^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$', text)
# 校验是否为有效的电子邮件地址，输出：Found
if result:
    print("Found")
else:
    print("Not found")

re.findall函数

        re.findall()函数用于在一个字符串中查找所有匹配的部分，并返回一个包含所有匹配部分的列表。

        re.findall()函数的定义如下：

          re.findall(pattern, string)

        其中，pattern是正则表达式，用于匹配要查找的内容；string是要在其中查找匹配项的字符串。返回的列表中包含了所有匹配的部分，如果没有找到匹配项，则返回一个空列表。

import re

text = "Hello, CSDN! Be greater than ever."
matches = re.findall(r'\b\w+\b', text)
# 输出：['Hello', 'CSDN', 'Be', 'greater', 'than', 'ever']
print(matches)

re.sub函数

        re.sub()函数用于在字符串中使用正则表达式进行替换操作，函数会返回一个新字符串，其中匹配的字符串被替换为指定的替换对象。

        re.sub()函数的定义如下：

          re.sub(pattern, repl, string, count=0, flags=0)

        各个参数的含义如下：

        pattern：需要匹配的正则表达式。

        repl：用于替换匹配到的字符串的替换对象。

        string：要在其中进行替换操作的原始字符串。

        count：指定替换的最大次数，可选。默认为0，表示替换所有匹配的字符串。

        flags：控制正则表达式行为的标志，可选。可以使用多个标志，通过按位或（|）操作符组合。

        在下面的示例代码中，我们使用re.sub()函数将字符串中的所有单词替换为"CSDN"，正则表达式\b\w+\b匹配单词的边界和单词本身。

import re

text = "Hello, world! Be greater than ever."
result = re.sub(r'\b\w+\b', 'CSDN', text)
# 输出：CSDN, CSDN! CSDN CSDN CSDN CSDN.
print(result)

re.compile函数

        re.compile()函数用于将给定的正则表达式编译为一个可重用的正则表达式对象，函数会返回一个正则表达式对象，可以用于重复匹配或搜索操作。

        re.compile()函数的定义如下：

          re.compile(pattern, flags=0)

        各个参数的含义如下：

        pattern：要编译的正则表达式字符串。

        flags：控制正则表达式行为的标志，可选。可以使用多个标志，通过按位或（|）操作符组合。

        在下面的示例代码中，我们使用re.compile()函数将正则表达式\d\w\d编译为一个可重用的正则表达式对象，并使用该对象进行搜索操作。

import re

pattern = re.compile(r'\d+\w+\d+')
result = pattern.search('Hello 666OK999 CSDN')
# 输出：666OK999
print(result.group())

re.finditer函数

        re.finditer()函数用于在字符串中查找正则表达式的匹配项，并返回一个迭代器，包含匹配结果。每个匹配结果都是一个Match对象，可以通过该对象的group()方法获取匹配的字符串。

        re.finditer()函数的定义如下：

          re.finditer(pattern, string, flags=0)

        各个参数的含义如下：

        pattern：要匹配的正则表达式模式。

        string：要在其中查找匹配项的字符串。

        flags：控制正则表达式行为的标志，可选。可以使用多个标志，通过按位或（|）操作符组合。

        在下面的示例代码中，我们使用re.finditer()函数获得了一个匹配对象的迭代器，并遍历该迭代器输出了匹配字符串。

import re

text = 'Hello 666 CSDN 999'
pattern = re.compile(r'\d+')
matches = pattern.finditer(text)
# 依次输出：666 999
for match in matches:
    print(match.group())

re.split函数

        re.split()函数用于将字符串按照正则表达式进行分割，并返回一个分割后子串的列表。

        re.split()函数的定义如下：

          re.split(pattern, string, maxsplit=0)

        各个参数的含义如下：

        pattern：要用于分割字符串的正则表达式模式。

        string：要分割的字符串。

        maxsplit：指定最大分割次数，可选。如果指定了该参数，则最多会按照正则表达式分割maxsplit次。默认值为0，表示没有限制。

        在下面的示例代码中，我们使用re.split()函数分割了字符串，并返回分割后子串的列表。

import re

text = 'ocean-sky-continent'
result = re.split('-', text)
# 输出：['ocean', 'sky', 'continent']
print(result)