python--关于正则表达式的学习小结

python中提供了re这个模块提供对正则表达式的支持。

一、正则表达式常用到的一些语法（并非全部）：

.	匹配任意单个字符
[...]	匹配单个字符集
\w	匹配单词字符，即[a-zA-Z0-9]
\W	匹配非单词字符集，例如 ‘*’
\d	匹配数字，即[0-9]
\D	匹配非数字
\s	匹配空白字符
\S	匹配非空白字符
*	匹配前一个字符0次或者任意多次
+	匹配前一个字符1次或者任意多次
?	匹配前一个字符0次或者1次
{m}	匹配前一个字符m次
{m,n}	匹配前一个字符最少m次，最多n次
*?	非贪婪模式匹配前一个字符0次或者任意多次
+?	非贪婪模式匹配前一个字符1次或者任意多次
??	非贪婪模式匹配前一个字符0次或者1次
{m,n}?	非贪婪模式匹配前一个字符最少m次，最多n次
^	匹配字符串开头
$	匹配字符串结尾
\A	制定的字符串匹配必须出现在开头
\Z	制定的字符串匹配必须出现在结尾
|	匹配左右任意一个表达式，相当于“或”的含义
()	匹配一个分组，括号中为该分组所需匹配的内容
\<number>	引用匹配编号为<number>的分组中的字符串
(?P<group_name>)	为匹配分组制定特定的组名
(?P=<group_name>)	引用特定组名的匹配字符串

几点解释：

1. 两种方式都可以进行匹配：

（1）首先创建pattern，然后进行match

1 pa = re.compile(r'[\w]{6}') # 首先利用re模块创建一个pattern实例pa
2 ma = pa.match('string')  # 利用这一pattern对正则表达式进行匹配
3 ma.group()  #打印匹配的内容，输出为'string'

（2）直接利用re模块中的函数match进行匹配

1 ma = re.match(r'[\w]{6}', ‘string’)
2 print(ma.group())  # 打印匹配的内容，输出为'string'

 

2. 贪婪模式和非贪婪模式：

贪婪模式：总是尝试匹配尽可能多的字符；

非贪婪模式：总是尝试匹配尽可能少的字符。

例如：利用正则表达式‘python*’匹配‘pythonnnnnpython’，此时ma = re.match(r'python*',‘pythonnnpython’)，得到的ma.group()为‘pythonnn’；利用‘python*?’进行匹配，此时ma = re.match(r'python*?',‘pythonnnpython’)，得到的ma.group()为‘python’。

 

3. 关于逻辑与分组语法的用法：

|	匹配左右任意一个表达式，相当于“或”的含义
()	匹配一个分组，括号中为该分组所需匹配的内容
\<number>	引用匹配编号为<number>的分组中的字符串
(?P<group_name>)	为匹配分组制定特定的组名
(?P=<group_name>)	引用特定组名的匹配字符串

首先，|和()的用法比较容易理解，例如我们需要匹配多个邮箱的地址是否合法，例如有gmail邮箱、outlook邮箱，假定@前的字符数为6到20个，此时可以写成：

1 2 3 4 5 6 7

>>> pa = re.compile('[\w]{6,20}@(gmail|outlook).com$') >>> ma = pa.match('bokeyuan@gmail.com') >>> ma.group() 'bokeyuan@gmail.com' >>> ma = pa.match('bokeyuan@outlook.com') >>> ma.group() 'bokeyuan@outlookl.com'

后边三个的用法根据下边的例子进行说明：

1 2 3 4 5 6 7 8 9 10

>>> str = '<code>python</code>' >>> ma = re.match(r'<[\w]+>', str) >>> ma.group() '<code>' >>> ma = re.match(r'<([\w]+>)[\w]+</\1', str) >>> ma.group() '<code>python</code>' >>> ma = re.match(r'<(?P<group1>[\w]+>)[\w]+</(?P=group1)', str) >>> ma.group() '<code>python</code>'

其中，第一个例子就是对字符串‘<code>'进行匹配。我们发现str中其实有两部分是完全相同的，就是都含有'code>'这个substring，于是可以看第二个例子，我们用()将([\w]+>)这部分内容括住时，这部分匹配的字符串就是'code>'，([\w]+>)就是一个分组，没有起名字的情况下默认<number>为1，因此在我们需要在末尾再次引用到它的时候，就写上 /1 即可。第三个例子与第二个例子的效果完全相同，只不过为了更加清楚的记住匹配分组的名字，我们利用(?P<group_name>)这一语法功能，人为的为这个分组取了一个group1的名字，在最后又引用了这一分组。

 

4. 注意字符串中转义字符的问题

上述例子中，出现在正则表达式前边的r是原始字符串操作符，可以写为r或者R：表示字符串内的所有字符都按原始意思解释。

例如：‘c:\python\test.py’ 如果不加r，则计算机会将 \t 会变成转义字符解释；加上r以后，写为：r‘c:\python\test.py’，计算机就会直接输出c:\python\test.py，否则要想输出c:\python\test.py，必须将字符串写为‘c:\\python\\test.py’

 

二、介绍几个re模块中的常用函数

1. search(pattern, string, flags=0)函数

search函数功能：在字符串中查找匹配

例如：博客会记录来访者的数量，我们通过正则匹配查找字符串中的数字：

1 str1 = 'number of visitors = 1000'
2 info = re.search(r'\d+', str1)  # 匹配字符串str1中的数字
3 print('访客数量：', info)
4 print(info.group())  # 显示匹配的内容

 当然，上述操作也可以通过对字符串直接操作获得，例如：print('访客数量：', str1.find('1000')) 。但是这样存在一个问题，因为访客数量实在不断变化的，一旦1000这个数字增加，用字符串操作就难以实现。但是利用search函数就不存在这样的问题。

 

2. findall(pattern, string, flags=0)函数

findall函数功能：找到匹配，并返回所有匹配内容的列表

例如，博客记录了最近三天每天的访客记录，我们需要将三天的访客数量都查找出来，并计算总的访客数量，此时用search函数无法直接将三天的访客数量同时提取，可以采用findall函数：

1 str2 = 'day1=22, day2=34, day3=13'
2 info = re.findall(r'=[\d]+', str2)
3 print(info)
4 print('三天的访客数量为：', sum([int(x[1:]) for x in info]))

 

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

sub函数功能：将字符串中匹配正则表达式的部分替换为其他值。其中repl可以是一个字符串，也可以是一个函数。

当repl是一个字符串时，仍然以访客记录为例，当增加一个访客时，需要修改记录中的数字：

1 str3 = 'number of visitors = 1000'
2 info = re.sub(r'[\d]+', '1001', str3)
3 print(info)  # 此时输出结果为 number of visitors = 1001

但是此时每次修改都必须手动输入数字，显然，对于这种随时变化的数字来说，这种操作是不合理的。而sub函数的高明之处就是允许repl是一个函数。

当repl为一个函数时，首先会在string中查找pattern的匹配，查找到的匹配是一个match对象，这个match对象就会被传递到repl这个函数中。上述例子可以这样实现：

1 # 首先，定义一个增加访客数量的函数，函数的参数是一个match对象
2 def add_num(match):
3     val = match.group()
4     num = int(val) + 1
5     return str(num)
6 
7 str3 = 'number of visitors = 1000'
8 print('最新访客数量：', re.sub(r'[\d]+', add_num, str3)) # 打印结果，最新访客数量：number of visitors = 1001

 

4. split(pattern, string, maxsplit=0, flags=0)函数

split函数功能：根据匹配分割字符串，返回分割字符串组成的列表

1 str4 = 'day1=22, day2=34, day3=13'
2 print(re.split(r', ', str4))  # 打印出的内容为 ['day1=22', 'day2=34', 'day3=13']