正则表达式
正则表达式概述
正则表达式,又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法(英语:Regular Expression,在代码中常简写为regex、regexp或RE),是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。
Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思,Regular Expression即“描述某种规则的表达式”之意。
re模块操作
在Python中需要通过正则表达式对字符串进行匹配的时候,可以使用一个模块,名字为re
1. re模块的使用过程
#coding=utf-8 # 导入re模块 import re # 使用match方法进行匹配操作 result = re.match(正则表达式,要匹配的字符串) # 如果上一步匹配到数据的话,可以使用group方法来提取数据 result.group()
re.match是用来进行正则匹配检查的方法,若字符串匹配正则表达式,则match方法返回匹配对象(Match Object),否则返回None(注意不是空字符串"")。
匹配对象Macth Object具有group方法,用来返回字符串的匹配部分。
2. re模块示例(匹配以itcast开头的语句)
#coding=utf-8 import re result = re.match("itcast","itcast.cn") result.group()
运行结果为:
itcast
3. 说明
- re.match() 能够匹配出以xxx开头的字符串
表示字符
在上一小节中,了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节,将要讲解正则表达式的单字符匹配
字符 | 功能 |
---|---|
. | 匹配任意1个字符(除了\n) |
[ ] | 匹配[ ]中列举的字符 |
\d | 匹配数字,即0-9 |
\D | 匹配非数字,即不是数字 |
\s | 匹配空白,即 空格,tab键 |
\S | 匹配非空白 |
\w | 匹配单词字符,即a-z、A-Z、0-9、_ |
\W | 匹配非单词字符 |
示例1: .
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re ret = re.match(".","a") ret.group() ret = re.match(".","b") ret.group() ret = re.match(".","M") ret.group()
运行结果:
示例2:[ ]
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re # 如果hello的首字符小写,那么正则表达式需要小写的h ret = re.match("h","hello Python") ret.group() # 如果hello的首字符大写,那么正则表达式需要大写的H ret = re.match("H","Hello Python") ret.group() # 大小写h都可以的情况 ret = re.match("[hH]","hello Python") ret.group() ret = re.match("[hH]","Hello Python") ret.group() # 匹配0到9第一种写法 ret = re.match("[0123456789]","7Hello Python") ret.group() # 匹配0到9第二种写法 ret = re.match("[0-9]","7Hello Python") ret.group()
运行结果:
示例3:\d
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re # 普通的匹配方式 ret = re.match("嫦娥1号","嫦娥1号发射成功") print ret.group() ret = re.match("嫦娥2号","嫦娥2号发射成功") print ret.group() ret = re.match("嫦娥3号","嫦娥3号发射成功") print ret.group() # 使用\d进行匹配 ret = re.match("嫦娥\d号","嫦娥1号发射成功") print ret.group() ret = re.match("嫦娥\d号","嫦娥2号发射成功") print ret.group() ret = re.match("嫦娥\d号","嫦娥3号发射成功") print ret.group()
运行结果:
说明
- 其他的匹配符参见后面章节的讲解
原始字符串
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
>>> mm = "c:\\a\\b\\c" >>> mm 'c:\\a\\b\\c' >>> print(mm) c:\a\b\c >>> print(mm) c:\a\b\c >>> re.match("c:\\\\",mm).group() 'c:\\' >>> ret = re.match("c:\\\\",mm).group() >>> print(ret) c:\ >>> ret = re.match("c:\\\\a",mm).group() >>> print(ret) c:\a >>> ret = re.match(r"c:\\a",mm).group() >>> print(ret) c:\a >>> ret = re.match(r"c:\a",mm).group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>>
说明
Python中字符串前面加上 r 表示原生字符串,
与大多数编程语言相同,正则表达式里使用"\"作为转义字符
,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\":前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题,有了原始字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。
>>> ret = re.match(r"c:\\a",mm).group() >>> print(ret) c:\a
表示数量
匹配多个字符的相关格式
字符 | 功能 |
---|---|
* | 匹配前一个字符出现0次或者无限次,即可有可无 |
+ | 匹配前一个字符出现1次或者无限次,即至少有1次 |
? | 匹配前一个字符出现1次或者0次,即要么有1次,要么没有 |
{m} | 匹配前一个字符出现m次 |
{m,} | 匹配前一个字符至少出现m次 |
{m,n} | 匹配前一个字符出现从m到n次 |
示例1:*
需求:匹配出,一个字符串第一个字母为大小字符,后面都是小写字母并且这些小写字母可有可无
#coding=utf-8 import re ret = re.match("[A-Z][a-z]*","Mm") ret.group() ret = re.match("[A-Z][a-z]*","Aabcdef") ret.group() 运行结果:
示例2:+
需求:匹配出,变量名是否有效
#coding=utf-8 import re ret = re.match("[a-zA-Z_]+[\w_]*","name1") ret.group() ret = re.match("[a-zA-Z_]+[\w_]*","_name") ret.group() ret = re.match("[a-zA-Z_]+[\w_]*","2_name") ret.group()
运行结果:
示例3:?
需求:匹配出,0到99之间的数字
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re ret = re.match("[1-9]?[0-9]","7") ret.group() ret = re.match("[1-9]?[0-9]","33") ret.group() ret = re.match("[1-9]?[0-9]","09") ret.group()
运行结果:
示例4:{m}
需求:匹配出,8到20位的密码,可以是大小写英文字母、数字、下划线
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678") ret.group() ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66") ret.group()
运行结果:
练一练
题目1:匹配出163的邮箱地址,且@符号之前有4到20位,例如hello@163.com
表示边界
字符 | 功能 |
---|---|
^ | 匹配字符串开头 |
$ | 匹配字符串结尾 |
\b | 匹配一个单词的边界 |
\B | 匹配非单词边界 |
示例1:$
需求:匹配163.com的邮箱地址
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re # 正确的地址 ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.com") ret.group() # 不正确的地址 ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.comheihei") ret.group() # 通过$来确定末尾 ret = re.match("[\w]{4,20}@163\.com$", "xiaoWang@163.comheihei") ret.group()
运行结果:
示例2: \b
>>> re.match(r".*\bver\b", "ho ver abc").group() 'ho ver' >>> re.match(r".*\bver\b", "ho verabc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*\bver\b", "hover abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>>
示例3:\B
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
>>> re.match(r".*\Bver\B", "hoverabc").group() 'hover' >>> re.match(r".*\Bver\B", "ho verabc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*\Bver\B", "hover abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*\Bver\B", "ho ver abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group'
匹配分组
字符 | 功能 |
---|---|
| | 匹配左右任意一个表达式 |
(ab) | 将括号中字符作为一个分组 |
\num |
引用分组num匹配到的字符串 |
(?P<name>) |
分组起别名 |
(?P=name) | 引用别名为name分组匹配到的字符串 |
示例1:|
需求:匹配出0-100之间的数字
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re ret = re.match("[1-9]?\d","8") ret.group() ret = re.match("[1-9]?\d","78") ret.group() # 不正确的情况 ret = re.match("[1-9]?\d","08") ret.group() # 修正之后的 ret = re.match("[1-9]?\d$","08") ret.group() # 添加| ret = re.match("[1-9]?\d$|100","8") ret.group() ret = re.match("[1-9]?\d$|100","78") ret.group() ret = re.match("[1-9]?\d$|100","08") ret.group() ret = re.match("[1-9]?\d$|100","100") ret.group()
运行结果:
示例2:( )
需求:匹配出163、126、qq邮箱之间的数字
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re ret = re.match("\w{4,20}@163\.com", "test@163.com") ret.group() ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com") ret.group() ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com") ret.group() ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com") ret.group()
运行结果:
练习:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
>>> ret = re.match("([^-]*)-(\d+)","010-12345678") >>> ret.group() '010-12345678' >>> ret.group(1) '010' >>> ret.group(2) '12345678'
示例3:\
需求:匹配出<html>hh</html>
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re # 能够完成对正确的字符串的匹配 ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</html>") ret.group() # 如果遇到非正常的html格式字符串,匹配出错 ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</htmlbalabala>") ret.group() # 正确的理解思路:如果在第一对<>中是什么,按理说在后面的那对<>中就应该是什么 # 通过引用分组中匹配到的数据即可,但是要注意是元字符串,即类似 r""这种格式 ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>") ret.group() # 因为2对<>中的数据不一致,所以没有匹配出来 ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</htmlbalabala>") ret.group()
运行结果:
示例4:\number
需求:匹配出<html><h1>www.itcast.cn</h1></html>
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h1></html>") ret.group() ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h2></html>") ret.group()
运行结果:
示例5:(?P<name>)
(?P=name)
需求:匹配出<html><h1>www.itcast.cn</h1></html>
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>") ret.group() ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h2></html>") ret.group()
注意:(?P<name>)
和(?P=name)
中的字母p大写
运行结果:
re模块的高级用法
search
需求:匹配出文章阅读的次数
#coding=utf-8 import re ret = re.search(r"\d+", "阅读次数为 9999") ret.group()
运行结果:
findall
需求:统计出python、c、c++相应文章阅读的次数
#coding=utf-8 import re ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345") print ret
运行结果:
sub 将匹配到的数据进行替换
需求:将匹配到的阅读次数加1
方法1:
#coding=utf-8 import re ret = re.sub(r"\d+", '998', "python = 997") print ret
运行结果:
方法2:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#coding=utf-8 import re def add(temp): strNum = temp.group() num = int(strNum) + 1 return str(num) ret = re.sub(r"\d+", add, "python = 997") print ret ret = re.sub(r"\d+", add, "python = 99") print ret
运行结果:
练习
从下面的字符串中取出文本
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
<div> <p>岗位职责:</p> <p>完成推荐算法、数据统计、接口、后台等服务器端相关工作</p> <p><br></p> <p>必备要求:</p> <p>良好的自我驱动力和职业素养,工作积极主动、结果导向</p> <p> <br></p> <p>技术要求:</p> <p>1、一年以上 Python 开发经验,掌握面向对象分析和设计,了解设计模式</p> <p>2、掌握HTTP协议,熟悉MVC、MVVM等概念以及相关WEB开发框架</p> <p>3、掌握关系数据库开发设计,掌握 SQL,熟练使用 MySQL/PostgreSQL 中的一种<br></p> <p>4、掌握NoSQL、MQ,熟练使用对应技术解决方案</p> <p>5、熟悉 Javascript/CSS/HTML5,JQuery、React、Vue.js</p> <p> <br></p> <p>加分项:</p> <p>大数据,数理统计,机器学习,sklearn,高性能,大并发。</p> </div>
split 根据匹配进行切割字符串,并返回一个列表
需求:切割字符串“info:xiaoZhang 33 shandong”
#coding=utf-8 import re ret = re.split(r":| ","info:xiaoZhang 33 shandong") print ret
运行结果:
python贪婪和非贪婪
Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;
非贪婪则相反,总是尝试匹配尽可能少的字符。
在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
>>> s="This is a number 234-235-22-423" >>> r=re.match(".+(\d+-\d+-\d+-\d+)",s) >>> r.group(1) '4-235-22-423' >>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s) >>> r.group(1) '234-235-22-423' >>>
正则表达式模式中使用到通配字,那它在从左到右的顺序求值时,会尽量“抓取”满足匹配最长字符串,在我们上面的例子里面,“.+”会从字符串的启始处抓取满足模式的最长字符,其中包括我们想得到的第一个整型字段的中的大部分,“\d+”只需一位字符就可以匹配,所以它匹配了数字“4”,而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。
解决方式:非贪婪操作符“?”,这个操作符可以用在"*","+","?"的后面,要求正则匹配的越少越好。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
>>> re.match(r"aa(\d+)","aa2343ddd").group(1) '2343' >>> re.match(r"aa(\d+?)","aa2343ddd").group(1) '2' >>> re.match(r"aa(\d+)ddd","aa2343ddd").group(1) '2343' >>> re.match(r"aa(\d+?)ddd","aa2343ddd").group(1) '2343'
练一练
字符串为:
<img data-original="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" src="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" style="display: inline;">
请提取url地址