106.正则表达式

正则表达式(RegularExpression, re)

• 是一个计算机科学的概念
• 使用单个字符串来描述和匹配，符合某个规则的字符串
• 用一套规则，查找或替换 数据
• 参考资料
  • https://www.runoob.com/python3/python3-reg-expressions.html

正则的写法

模式|描述

• 例
  • 验证一个数字：^\d$
  • 必须有一个数字最好一位：^\d+$
  • 只能出现数字，且数字为5-10位：^\d{5,10}$
  • 年龄，要求16-99岁：^[1]$
  • 只有英文字符和数字：^[2]$
  • qq号：[0-9]

模式	描述
^	匹配字符串的开头
$	匹配字符串的末尾。
.	匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
[...]	用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'
[^...]	不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。
re*	匹配0个或多个的表达式。
re+	匹配1个或多个的表达式。
re?	匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
re	匹配n个前面表达式。例如，"o{2}"不能匹配"Bob"中的"o"，但是能匹配"food"中的两个o。
re	精确匹配n个前面表达式。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*"。
re	匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
a|b	匹配a或b
(re)	匹配括号内的表达式，也表示一个组
(?imx)	正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。
(?-imx)	正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。
(?:re)	类似 (...), 但是不表示一个组
(?imx:re)	在括号中使用i, m, 或 x 可选标志
(?-imx:re)	在括号中不使用i, m, 或 x 可选标志
(?#...)	注释.
(?= re)	前向肯定界定符。如果所含正则表达式，以 ... 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。
(?!re)	前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功。
(?>re)	匹配的独立模式，省去回溯。
\w	匹配数字字母下划线
\W	匹配非数字字母下划线
\s	匹配任意空白字符，等价于 [\t\n\r\f]。
\S	匹配任意非空字符
\d	匹配任意数字，等价于 [0-9]。
\D	匹配任意非数字
\A	匹配字符串开始
\Z	匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
\z	匹配字符串结束
\G	匹配最后匹配完成的位置。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\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'。
\n,\t,等。	匹配一个换行符。匹配一个制表符, 等
\1...\9	匹配第n个分组的内容。
\10	匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式。
[u4e00-u9fa5]	匹配中文，不包括全角标点

re包

• 过程描述
  • 使用compile将表示正则的字符串编译为一个pattern对象
  • 通过pattern对象提供的一系列方法对文本惊醒查找匹配，获得匹配结果，一个Match对象
  • 最后使用Match对象提供的属性和方法获得信息，根据需要进行操作

re常用函数

• 查找
  • .match() 查找指定位置，找到就结束，没找到返回None
  • .search() 从头开始查找，找到就结束，没找到返回None
  • .findall() 从头找到尾，找到的所有结果组成列表返回
  • .finditer() 从头找到尾，找到的所有结果组成迭代器返回

import re

#编译一个正则字符串，实例化一个正则规则
p = re.compile(r"\d+", re.I)

#在字符串"sdflje234234kj6678"中按照p规则查找,查找指定位置，找到就结束
m = p.match("sdf12lje2234234kj6678%$", 3, 20)
print(m)
print(m.group(0))
print(m.start(0), m.end(0))

#在字符串"sdflje234234kj6678"中按照p规则查找,从头开始查找，找到就结束
s = p.search("sdf12lje2234234kj6678%$")
print(s)

#从头查找所有符合规则的字符串，返回一个列表
f = p.findall("sdf12lje2234234kj6678%$")
print(f)

import re
s = u"世界你好，hello word"
p = re.compile(r"[\u4e00-\u9fa5]+")
r = p.findall(s)
print(r)

• 替换
  • .sub()

import re

p = re.compile(r"(\D+) (\D+)")

t = p.sub(r"hello world", "hello 12 do 3 hi hi")

print(t)

贪婪和非贪婪

• 贪婪：尽可能多的匹配，用*匹配
• 非贪婪：找到符合条件的最小内容，用?匹配
• 正则默认时贪婪

import re

l = u"<d>name</d>sdfsdf<d>age</d>"

p1 = re.compile(r"<d>.*</d>")
p2 = re.compile(r"<d>.*?</d>")

m1 = p1.search(l)
print(m1.group())

m2 = p2.search(l)
print(m2.group())

---

1. 16-99 ↩︎

2. A-Za-z0-9 ↩︎