正则表达式

搭配[[Python]]

参考[[中谷教育-Python视频教程-26-正则表达式-初识]]

参考python官方re资料

参考正则表达式教程

参考Python正则表达式教程

工具正则测试网站

参考Python正则表达式，这一篇就够了！ learning

参考[[字符编码]]

---

---

Python正则表达式，这一篇就够了！

re模块简介

re模块官方文档

re模块源码库

re模块主要定义了9个常量、12个函数、1个异常。

re模块常量

常量	语法	作用
IGNORECASE	re.IGNORECASE 或简写为 re.I	进行忽略大小写匹配。
ASCII	re.ASCII 或简写为 re.A	顾名思义，ASCII表示ASCII码的意思，让 \w, \W, \b, \B, \d, \D, \s 和 \S 只匹配ASCII，而不是Unicode。
DOTALL	re.DOTALL 或简写为 re.S	DOT表示.，ALL表示所有，连起来就是.匹配所有，包括换行符\n。默认模式下.是不能匹配行符\n的。
MULTILINE	re.MULTILINE 或简写为 re.M	多行模式，当某字符串中有换行符\n，默认模式下是不支持换行符特性的，比如：行开头 和 行结尾，而多行模式下是支持匹配行开头的。
VERBOSE	re.VERBOSE 或简写为 re.X	re.VERBOSE 或简写为 re.X
LOCALE	re.LOCALE 或简写为 re.L	由当前语言区域决定 \w, \W, \b, \B 和大小写敏感匹配，这个标记只能对byte样式有效。这个标记官方已经不推荐使用，因为语言区域机制很不可靠，它一次只能处理一个 "习惯”，而且只对8位字节有效。
UNICODE	re.UNICODE 或简写为 re.U	与 ASCII 模式类似，匹配unicode编码支持的字符，但是 Python 3 默认字符串已经是Unicode，所以有点冗余。
DEBUG	re.DEBUG	显示编译时的debug信息。
TEMPLATE	re.TEMPLATE 或简写为 re.T	猪哥也没搞懂TEMPLATE的具体用处，源码注释中写着：disable backtracking(禁用回溯)，有了解的同学可以留言告知！

常量总结

1. 9个常量中，前5个（IGNORECASE、ASCII、DOTALL、MULTILINE、VERBOSE）有用处，两个（LOCALE、UNICODE）官方不建议使用、两个（TEMPLATE、DEBUG）试验性功能，不能依赖。
2. 常量在re常用函数中都可以使用，查看源码可得知。
3. 常量可叠加使用，因为常量值都是2的幂次方值，所以是可以叠加使用的，叠加时请使用 | 符号，请勿使用+ 符号！

re模块函数

re模块有12个函数，猪哥将以功能分类来讲解；这样更具有比较性，同时也方便记忆。

查找一个匹配项

查找并返回一个匹配项的函数有3个：search、match、fullmatch，他们的区别分别是：

1. search： 查找任意位置的匹配项
2. match： 必须从字符串开头匹配
3. fullmatch： 整个字符串与正则完全匹配

案例1

import re

text = 'a猪哥大帅b，猪哥大帅b'
pattern = r'猪哥大帅b'

print('search:',re.search(pattern,text).group())
print('search:',re.search(pattern,text))
print('match:',re.match(pattern,text))
print('fullmatch',re.fullmatch(pattern,text))

输出

search: 猪哥大帅b
search: <re.Match object; span=(1, 6), match='猪哥大帅b'>
match: None
fullmatch None

案例2

text = '猪哥大帅b，猪哥大帅b'
pattern = r'猪哥大帅b'

print('search:',re.search(pattern,text).group())
print('search:',re.search(pattern,text))
print('match:',re.match(pattern,text).group())
print('match:',re.match(pattern,text))
print('fullmatch',re.fullmatch(pattern,text))

输出：

search: 猪哥大帅b
search: <re.Match object; span=(0, 5), match='猪哥大帅b'>
match: 猪哥大帅b
match: <re.Match object; span=(0, 5), match='猪哥大帅b'> fullmatch None

案例3

text = '猪哥大帅b'
pattern = r'猪哥大帅b'

print('search:',re.search(pattern,text).group())
print('search:',re.search(pattern,text))
print('match:',re.match(pattern,text).group())
print('match:',re.match(pattern,text))
print('fullmatch',re.fullmatch(pattern,text).group())
print('fullmatch',re.fullmatch(pattern,text))

输出：

search: 猪哥大帅b
search: <re.Match object; span=(0, 5), match='猪哥大帅b'>
match: 猪哥大帅b
match: <re.Match object; span=(0, 5), match='猪哥大帅b'>
fullmatch 猪哥大帅b
fullmatch <re.Match object; span=(0, 5), match='猪哥大帅b'>

查找多个匹配项

查找多项函数主要有：findall函数 与 finditer函数：

1. findall： 从字符串任意位置查找，返回一个列表
2. finditer：从字符串任意位置查找，返回一个迭代器

两个方法基本类似，只不过一个是返回列表，一个是返回迭代器。我们知道列表是一次性生成在内存中，而迭代器是需要使用时一点一点生成出来的，内存使用更优。

案例4

text = 'a猪哥大帅b，猪哥大帅b'
pattern = r'猪哥大帅b'

print('findall:',re.findall(pattern,text))
print('finditer:',list(re.finditer(pattern,text)))

输出：

findall: ['猪哥大帅b', '猪哥大帅b']
finditer: [<re.Match object; span=(1, 6), match='猪哥大帅b'>, <re.Match object; span=(7, 12), match='猪哥大帅b'>]

分割

re.split(pattern, string, maxsplit=0, flags=0) 函数：用 pattern 分开 string ， maxsplit表示最多进行分割次数， flags表示模式，就是上面我们讲解的常量！

案例5

import re
text = 'a猪哥大帅b，b猪哥大帅b，c猪哥大帅b'
pattern = r'，'
print('split:',re.split(pattern,text,maxsplit=999,flags=re.IGNORECASE))

输出：

split: ['a猪哥大帅b', 'b猪哥大帅b', 'c猪哥大帅b']

注意：str模块也有一个 split函数 ，那这两个函数该怎么选呢？
str.split函数功能简单，不支持正则分割，而re.split支持正则。

1000次循环以内str.split函数更快，而循环次数1000次以上后re.split函数明显更快，而且次数越多差距越大！

所以结论是：在 不需要正则支持 且 数据量和数次不多 的情况下使用str.split函数更合适，反之则使用re.split函数。

替換

替换主要有sub函数 与 subn函数，他们功能类似！

先来看看sub函数的用法：

re.sub(pattern, repl, string, count=0, flags=0) 函数参数讲解：repl替换掉string中被pattern匹配的字符， count表示最大替换次数，flags表示正则表达式的常量。

值得注意的是：sub函数中的入参：repl替换内容既可以是字符串，也可以是一个函数哦！ 如果repl为函数时，只能有一个入参：Match匹配对象。

案例6

import re
text = '1猪哥大帅b，1猪哥大帅b，3猪哥大帅b'
pattern = r'，'
rep1 = '、'
print('sub-rep1为字符串：',re.sub(pattern,rep1,text,count=2,flags=re.IGNORECASE))

输出：

ub-rep1为字符串： 1猪哥大帅b、1猪哥大帅b、3猪哥大帅b

案例7

text = '1猪哥大帅b，2猪哥大帅b。3猪哥大帅b'
pattern = r'，|。'

rep1 = lambda matchobj: ' ' if matchobj.group(0) != '，' else '、'

print('sub-rep1为函数：',re.sub(pattern,rep1,text,count=2,flags=re.IGNORECASE))

输出：

sub-rep1为函数： 1猪哥大帅b、2猪哥大帅b 3猪哥大帅b

定义

定义：正则表达式（regexp或者re）是一种小型的、高度专业化的编程语言，（在Python中）它内嵌在Python中，并通过re模块实现。

概括

• 正则表达式模式被编译成一系列的字节码，然后由C编写的匹配引擎执行。

• 正则表达式语言相对小型和受限（功能有限）

  • 并非所有字符串处理都可以用正则表达式完成。

• 字符匹配

  • 普通字符
    • 大部分字母和字符一般都会和自身匹配
    • 如正则表达式test会和字符串"test"完全匹配
  • 元字符
    • . ^ $ * + ? {} [] \ | ()

• []

  • 常用来制定一个字符集：[abc];[a-z]
  • 元字符在字符集中不起作用：[akm$]
  • 补集匹配不在区间范围内的字符：[^5]

• ^

  • 匹配行首。除非设置MULTILINE标志，它只是匹配字符串的开始。在MULTILINE模式里，它可以直接匹配字符串中的每个换行。

• $

  • 匹配行尾，行尾被定义为要么是字符串尾，要么是一个换行字符后面的任何位置。

在python中使用正则表达式

需要导入re模块import re

定义正则表达式就是在定义一个字符串。

在python中使用[]

>>> import re
>>> s = r'abc'
>>> re.findall(s,"aaaaaaaaaaaaaaaaaaaaaaaaabcdef")
['abc']
>>> re.findall(s,"aaaaaaaabcdfaaaaaaaaaaaaaaaaabcdef")
['abc', 'abc']
>>> st = "top tip tqp twp tep"
>>> res = r"top"
>>> re.findall(res,st)
['top']
>>> 
>>> res = r"tip"
>>> re.findall(res,st)
['tip']
>>> 
>>> res = r"t[io]p"
>>> re.findall(res,st)
['top', 'tip']
>>> 
>>> res = r"t[^io]p"
>>> re.findall(res,st)
['tqp', 'twp', 'tep']