正则表达式
正则
元字符
元字符:.^$+?{}[]|()\
. 通配符(除\n的任何字符)
\d 数字
\s 空白字符
\w 字母或数字或下划线或汉字
\b 特殊字符边界(匹配单词边界,不匹配任何字符。要防止转义字符串前面加r)
^ 开始
$ 结束
match 方法是从字符串的开头开始匹配的
search 在匹配时会扫描整个字符串,然后返回第一个成功匹配的结果
findall 获取匹配正则表达式的所有内容
sub 替换文本 re.sub('\d+', '', content)
compile 方法,这个方法可以将正则字符串编译成正则表达式对象,以便在后面的匹配中复用。
content1 = '2019-12-22 13:21'
pattern = re.compile('\d{2}:\d{2}')
result1 = re.sub(pattern, '', content1)
字符转义
\用来转义匹配元字符 匹配\ 需要用\
字符类
字符范围
[] 从字符集里匹配一个 可以使用a-z a,z表示范围 [.?!] 匹配标点符号(.或?或!)
例子:
[\u4E00-\u9FA5] 匹配汉字
重复匹配
* 0~无穷(可以按照0*True,结果为0)尽可能多的匹配
+ 1~无穷(可以按照0+True,结果为True)
? 出现0~1次(取最少)非贪婪匹配
{n,m} n-m次
{n,} 多于n次
{0,}==* {0,1}==? {1,}==+
例子:
手机号码的正则:
^1[3|5|8]\d{9}$
贪婪与懒惰
当正则表达式中包含能接受重复的限定符时,通常的行为是(在使整个表达式能得到匹配的前提下)匹配尽可能多的字符。以这个表达式为例:a.*b,它将会匹配最长的以a开始以b结束的字符串。如果用它来搜索 aabab的话,它会匹配整个字符串aabab。这被称为贪婪匹配。
有时,我们更需要懒惰匹配,也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式,只要在它后面加上一个问号? 这样.*?
就意味着匹配任意数量的重复,但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧a*b匹配最短的,以a开始,以b结束的字符串。如果把它应用于abab的话,它会匹配aab(第一到第三个字符)和ab(第四到第五个字符)。
为什么第一个匹配是aab(第一到第三个字符)而不是b(第二到第三个字符)?简单地说,因为正则表达式有另一条规则,比懒惰/贪婪规则的优先级更高:最先开始的匹配拥有最高的优先权——The match that beginsearliest wins。
默认贪婪匹配(从后往前匹配)
非贪婪(从前往后)在贪婪后面加?
修饰符
re.match(pattern, content,re.S)
re.S 匹配包括换行符在内的所有字符
re.I 使匹配对大小写不敏感
re.L 做本地化识别(locale-aware)匹配
re.M 多行匹配,影响 ^ 和 $
re.S 使匹配包括换行在内的所有字符
re.U 根据 Unicode 字符集解析字符。这个标志影响 \w、\W、\b 和 \B
re.X 该标志通过给予你更灵活的格式以便你将正则表达式写得更易于理解
|分支条件(或匹配)
\d{5}-\d{4}|\d{5}
这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字,或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题:使用分枝条件时,要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}
的话,那么就只会匹配位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时,将会从左到右地测试每个条件,如果满足了某个分枝的话,就不会去再管其它的条件了。
()分组
(\d{1,3}.){3}\d{1,3}
是一个简单的地址匹配表达式。要理解这个表达式,请按下列顺序分析它:\d{1,3}
匹配1到3位的数字,(\d{1,3}.){3}
匹配三位数字加上一个英文句号这个整体也就是这个分组)重复3次,最后再加上一个一到三位的数字(\d{1,3})
使用小括号指定一个子表达式后,匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下,每个分组会自动拥有一个组号,规则是:从左向右,以分组的左括号为标志,第一个出现的分组的组号为1,第二个为2,以此类推。
不幸的是,它也将匹配256.300888999这种不可能存在的|P地址。如果能使用算术比较的话,或许能简单地解决这个问题,但是正则表达式中并不提供关于数学的任何功能,所以只能使用冗长的分组,选择,字符类来描述一个正确的|P地址:(2[0-4]\d|25[0-5]|[01]?\d\d?\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
var s='JavaScript and Java'
var p=/\bJava(\w+)\b/
p.exec(s)[0] //结果为:"JavaScript"
p.exec(s)[1] //结果为:"Script"
反义
有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外,其它任意字符都行的情况,这时需要用到反义。
常用反义代码:
代码/语法 | 说明 |
---|---|
\W | 非字母数字下划线汉字 |
\S | 非空白字符 |
\D | 非数字字符 |
\B | 非单词开头或结尾 |
[^x] | 非x以外的任意字符 |
[^aeiou] | 非aeiou的任意字符 |
例子:
\S+ 匹配不包含空白字符的字符串
<a[^>]+> 匹配尖括号包起来的a开头的字符串
非获取匹配:
\w(?=pattern) 正向肯定匹配
(?<=pattern)\w 逆向肯定匹配
\w(?!pattern) 正向否定匹配
(?!pattern)\w 反向否定匹配
后向引用
\b(\w+)\b\s+\1\b
\1表示第一个分组的内容 用来匹配重复相邻的单词:go go
你也可以自己指定子表达式的组名。要指定一个子表达式的组名,请使用这样的语法:(?<Word>\w+)
或者把尖括号换成'也行:(?'Word'\w+),这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容,你可以使用\k<Word>
,所以上一个例子也可以写成这样:(?<Word>\w+)\b\s+\k<Word>\b
。
实用小括号是还有很多用法,列举下常用的:
分类 | 代码/语法 | 说明 |
---|---|---|
捕获 | (exp) |
匹配exp,并捕获文本到自动命名的组里 |
捕获 | (?<name>exp) |
匹配exp,并捕获文本到名称为name的组里,也可以写成(?'name'exp) |
捕获 | (?:exp) |
匹配exp,不捕获文本,不分配组好 |
零宽断言 | (?=exp) |
匹配exp前面的位置 |
零宽断言 | (?<=exp) |
匹配exp后面的位置 |
零宽断言 | (?!exp) |
匹配后面跟的不是exp的位置 |
零宽断言 | (?<!exp) |
匹配前面不是exp的位置 |
注释 | (?#comment) |
这种分组不对正则表达式产生任何影响,提供注释让人阅读 |
零宽断言
接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西,也就是说它们像b,^,$那样用于指定一个位置,这个位置应该满足一定的条件即断言),因此它们也被称为零宽断言。最好还是拿例子来说明吧:
断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。
(?=exp)
也叫零宽度正预测先行断言,它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)
,匹配以ing结尾的单词的前面部分(除了ing以外的部分),如查找I'm singing while you‘re dancing时,它会匹配sing和danc。
(?<=exp)
也叫零宽度正回顾后发断言,它断言自身岀现的位置的前面能匹配表达式exp。
比如(?<=\bre)\w+\b
会匹配以re开头的单词的后半部分除了re以外的部分),例如在查找 reading a book时,它匹配ading假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了),你可以这样查找需要在前面和里面添加逗号的部分:((?<=\d)\d{3})+\b
,用它对1234567890进行查找时结果是234567890。
下面这个例子同时使用了这两种断言:(?<=\s)\d+(?=\s)
匹配以空白符间隔的数字再次强调,不包括这些空白符)
反向零宽断言
\b\w*q[^u]\w*\b
匹配包含后面不是字母u的字母q的单词。但是如果多做测试(或者你思维足够敏锐,直接就观察出来了),你会发现,如果q出现在单词的结尾的话,像iraq,Benq,这个表达式就会出错。这是因为[^u]
总要匹配一个字符,所以如果q是单词的最后一个字符的话,后面的[^u]
将会匹配q后面的单词分隔符(可能是空格,或者是句号或其它的什么),后面的\w*\b
将会匹配下一个单词,于是\b\w*q[^u]\w*\b
就能匹配整个Iraqfighting。负向零宽断言能解决这样的问题,因为它只匹配一个位置,并不消费任何字符。现在,我们可以这样来解决这个问题:\b\w*q(?!u)\w*\b
。
零宽度负预测先行断言(?!exp),断言此位置的后面不能匹配表达式exp。例如:\d{3}(?!\d)
匹配三位数字,而且这三位数字的后面不能是数字;\b((?!abc)\w)+\b
匹配不包含连续字符串abc的单词。
同理,我们可以用(?<!exp),零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp:(?<![a-z])\d{7}
匹配前面不是小写字母的七位数字。
请详细分析表达式(?<=<(\W+)>).*(?=<\/\1>)
,这个表达式最能表现零宽断言真正用途。
一个更复杂的例子:(?<=<(\W+)>).*(?=<\/\1>)
匹配不包含属性的简单HTML标签内里的内容。(?<=<(w+)>)
指定了这样的前缀:被尖括号括起来的单词(比如可能是),然后是.*(任意的字符串)最后是一个后缀(?=</\1>)。注意后缀里的/,它用到了前面提过的字符转义;\则是一个反向引用,引用的正是捕获的第一组,前面的(W+)匹配的内容,这样如果前缀实际上是的话,后缀就是了。整个表达式匹配的是和之间的内容(再次提醒,不包括前缀和后缀本身)
小括号的另一种用途是通过语法(?#comment)来包含注释。例如:2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)
。