Python--正则表达式

正则表达式

概述

正则表达式是文本处理极为重要的技术，用它可以对字符串按照某种规则进行检索、替换。

分类

1. BRE
   基本正则表达式，grep、sed、vi等软件支持。
2. ERE
   扩展正则表达式，egrep ( grep -E )、sed -r等。
3. PCRE
   几乎所有高级语言都是PCRE的变种。Pythoncong1.6开始使用SRE正则表达式引擎，可以认为是PCRE的子集，见模块re。

基本语法

元字符 metacharacter

代码	说明	举例
.	匹配除换行符外的任意一个字符	.
[abc]	字符集合，只能表示一个字符位置。匹配所包含的任意一个字符	[abc]匹配plain中的’a’
[^abc]	字符集合，只能表示一个字符位置。匹配除去集合内字符的任意一个字符	[^abc]可以匹配plain中的’p’,’l’,’i’,’n’
[a-z]	字符范围，也是一个集合，表示一个字符位置 匹配所包含的任意一个字符	常用[A-z][0-9]
[^a-z]	字符范围，也是一个集合，表示一个字符位置 匹配出去集合内字符的任意一个字符
\b	匹配单词的边界	\bb在文本中找到单词中b开头的b字符
\B	不匹配单词的边界	t\B包含t的单词但是不以t结尾的t字符。 例如write \Bb不以b开头的b单词，例如able
\d	[0-9]匹配以为数字
\D	[^0-9]匹配一位非数字
\s	匹配1位空白字符，包含换行符、制表符、空格
\S	匹配1位非空白字符
\w	匹配[a-zA-Z0-9_],包括中文的子
\W	匹配\w之外的字符

转义

凡是在正则表达式中有特殊意义的符号，如果想使用它的本意，请使用\转义。反斜杠自身，需要使用\\
\r,\n还是转以后代表、换行

重复

代码	说明	举例
*	表示前面的正则表达式会重复0次或多次	e\w*单词中e后面可以有非空字符
+	表示前面的正则表达式重复至少1次	e\w+ 单词中e后至少有一个非空白字符
?	表示前面的正则表达式会重复0次或者1次	e\w? 单词中e的后面最多有一个非空白字符
{n}	重复固定的n次	e\w{1} 单词中e后面只能有一个非空白字符
{n,}	重复至少n次	e\w{1,} 等价 e\w+ e\w{0,} 等价于 e\w* e\w{0,1} 等价 e\w?
{n,n}	重复n到m次	e\w{1,10} 单词中e后面至少1个，至多10个非空白字符

捕获

代码	说明	举例
x	y	匹配x或者y
(pattern)	使用小括号指定一个自表达式，也叫分组 捕获后会自动分配组号从1开始，可以改变优先级
\数字	匹配对应的分组	(very)\1 匹配 very very， 但是捕获的组group是very
(?:pattern	如果仅仅是为了改变优先级，就不需要捕获分组	(?:w
(?exp)(?’name’exp)	分组捕获，但是可以通过那么访问分组 Python语法必须是(?Pexp)

断言

代码	说明	举例
(?=exp)	零宽度正预测先行断言 断言exp一定在匹配的右边出现，也就是断言后面一定跟着exp	f(?=oo) f后面一定有oo出现
(?<=exp)	零宽度正回顾后发断言 断言exp一定出现在匹配的左边出现，也就是说前面一定有个exp前缀	(?<=f)ood,(?<=t)ook 分别匹配ood，ook，ook前一定有t出现
(?!exp)	零宽度正预测先行断言 断言exp一定不会在匹配的右边出现，也就是断言后面一定不是exp	\d{3}(?!\d)匹配3位数字断言3位数字后面一定不是数字 foo(?!d) foo后面一定不是d
(?	零宽度正回顾后发断言 断言exp一定不会在匹配的左边出现，也就是说前面一定不是exp	(?

贪婪模式

默认贪婪模式，也就是尽量多的匹配字符串
非贪婪模式，在重复的符号后面加上一个 ? 问号，就可以尽量的少匹配了。

代码	说明
*?	匹配任意次，但尽可能少重复
+?	匹配至少1次，但是尽可能少重复
??	匹配0次或者1次，但尽可能少重复
{n,}?	匹配至少n次，但尽可能少重复
{n,m}?	匹配至少n次，至多m次，但尽可能少重复

引擎选项

代码	说明	Python
IgonreCase	匹配时忽略大小写	re.I re.IGNORECASE
Singleline	单行模式，可以匹配多有字符，包括\n	re.Sre.DOTALL
Multiline	多行模式^行首、$行尾	re.M re.MULTLINE
IgnorePatternWhitespace	忽略表达式中的空白字符，如果要使用空白字符需转义，#可以用来做注释	re.X re.VERBOSE

单行模式：将整个文本视为一个字符串
. 可以匹配所有字符，包括换行符
^ 表示整个字符串的开头，$表示整个字符串的结尾

多行模式：一行是一行
. 可以匹配除了换行符之外的字符
^ 表示行首 $ 表示行尾