【Python】正则表达式简单教程
说明:本文主要是根据廖雪峰网站的正则表达式教程学习,并根据需要做了少许修改,此处记录下来以备后续查看。
《Python正则表达式纯代码极简教程》链接:https://www.cnblogs.com/leejack/p/9526661.html
0x01 正则表达式概念及符号含义
掌握正则表达式,只需要记住不同符号所表示的含义,以及对目标对象模式(或规律)的正确概括。
1、基础内容
字符匹配
- 在正则表达式中,如果直接给出字符,就是精确匹配。
- \d 匹配一个数字
- \D 匹配一个非数字
- \w 匹配一个字母、数字或下划线_
- \W 匹配任何非单词字符,等价于“[^A-Za-z0-9_]"
- \s 匹配任何空白字符,包括空格、制表符、换页符等等,等价于[ \f\n\r\t\v]
- \S 匹配任何非空白字符
- \n 匹配一个换行符
- \r 匹配一个回车符
- \t 匹配一个制表符
数量匹配
- .匹配除“\n"之外的任何单个字符
- *匹配前面的子表达式零次或多次
- +匹配前面的子表达式一次或多次
- ?匹配前面的子表达式零次或一次
- {n},n是一个非负整数,匹配确定的n次
- {n,m},m和n均为非负整数,其中n<=m,最少匹配n次且最多匹配m次
- {n,},n是一个非负整数,至少匹配n次
- {,m} 匹配前面的正则表达式最多m次
范围匹配
- x|y 匹配x或y
- [xyz] 字符集合,匹配所包含的任意一个字符
- [^xyz] 负值字符集合,匹配未包含的任意字符
- [a-z] 字符范围,匹配指定范围内的任意字符
- [^a-z] 负值字符范围,匹配任何不在指定范围内的任意字符
来看一个稍微复杂的例子:\d{3,4}\s+\d{3,8}
我们来从左到右解读一下:
- \d{3,4}表示匹配3到4个数字,例如'010'、'0755';
- \s可以匹配一个空格(也包括Tab等空白符),所以\s+表示至少有一个空格,例如匹配' ',' '等;
- \d{3,8}表示3-8个数字,例如'1234567'。
综合起来,上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
如果要匹配'010-12345'、'0755-26776666'这样的号码呢?
由于'-'是特殊字符,在正则表达式中,要用'\'转义,所以,上面的正则是\d{3,4}\-\d{3,8}。
但是,仍然无法匹配'010 - 12345',因为带有空格。所以我们需要更复杂的匹配方式。
2、进阶内容
要做更精确地匹配,可以用[]表示范围,比如:
- [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线;
- [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串,比如'a100','0_Z','Py3000'等等;
- [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量;
- [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)。
- A|B可以匹配A或B,所以(P|p)ython可以匹配'Python'或者'python'。
- ^表示行的开头,^\d表示必须以数字开头。
- $表示行的结束,\d$表示必须以数字结束。
你可能注意到了,py也可以匹配'python',但是加上^py$就变成了只能匹配以'py'开头的字符串,
所以,如果某个字符串为'I love python',那么就无法匹配到,因为它不是以py开头。
3、正则表达式使用场景
- 判断某个字符串是否匹配特定的模式
- 切分字符串
- 提取特定模式的字符串
- 将指定模式的字符串进行替换
0x02 Python中正则表达式模块re
1、判断某个字符串是否匹配特定的模式
前面区号+电话号码的例子
# 导入re模块 import re # 匹配 result = re.match(r'\d{3,4}\-\d{3,8}$','020-12345') print(result) # 不匹配 result2 = re.match(r'\d{3,4}\-\d{3,8}$','020 12345') print(result2) # match()方法判断是否匹配,如果匹配成功,返回一个Match对象,否则返回None。 # 常见的判断方法就是: # 带判断的字符串 test = '020-12345' if re.match(r'\d{3,4}\-\d{3,8}$', test): print('match') else: print('not match')
小练习:判断给定的邮箱地址是否是NETEC邮箱
- 假设NETEC公司的邮箱格式为姓+.+名字+数字+@netec.com.cn。
- 其中数字不是必须的,只有相同名字的员工有多个时,才会存在数字
- 并且姓名拼音或英文都会使用小写字母,而不会使用大写字母
email = 'lee.jack3@netec.com.cn' pattern = r'^[a-z]{1,}\.[a-z]+\d*@netec.com.cn$' if re.match(pattern,email): print('是NETEC邮箱') else: print('不是NETEC邮箱')
2、切分字符串
用正则表达式切分字符串比用固定的字符更灵活,请看正常的切分代码:
result3 = 'a b c'.split(' ') print(result3)
无法识别连续的空格,用正则表达式试试:
result4 = re.split(r'\s+', 'a b c') print(result4)
无论多少个空格都可以正常分割。加入","试试:
result5 = re.split(r'[\s\,]+', 'a,b,, c d') print(result5)
再加入";"试试:
result6 = re.split(r'[\s\,\;]+', 'a,b;; c d') print(result6)
3、提取特定模式的字符串
除了简单地判断是否匹配之外,正则表达式还有提取子串的强大功能。
用()表示的就是要提取的分组(Group)。比如:^(\d{3,4})-(\d{3,8})$
分别定义了两个组,可以直接从匹配的字符串中提取出区号和本地号码:
m = re.match(r'^(\d{3,4})-(\d{3,8})$', '0755-12345') print(m) print(m.group(0)) # 匹配的整个字符串 print(m.group(1)) # 匹配的第一个小括号的内容,即第一个匹配的子串 print(m.group(2)) # 匹配的第二个小括号的内容,即第二个匹配的子串
一个复杂的例子,提起给定时间字符串中的小时、分钟、秒
t = '19:05:30' m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t) print(m.groups()) print(m.group(1)) print(m.group(2)) print(m.group(3))
其实上面也有更简便的写法:
t = '19:05:30' m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:([0-5]?[0-9])\:([0-5]?[0-9])$', t) print(m.groups()) print(m.group(1)) print(m.group(2)) print(m.group(3))
4、将指定模式的字符串进行替换
result = re.sub('[ae]','X','abcdefghi') print(result) result = re.subn('[ae]','X','abcdef') print(result)
5、贪婪匹配 vs 非贪婪匹配
正则匹配默认是贪婪匹配,也就是匹配尽可能多的字符。举例如下,匹配出数字后面的0:
result7 = re.match(r'^(\d+)(0*)$', '102300').groups() print(result7)
由于\d+采用贪婪匹配,直接把后面的0全部匹配了,结果0*只能匹配空字符串了。
必须让\d+采用非贪婪匹配(也就是尽可能少匹配),才能把后面的0匹配出来,
加个?就可以让\d+采用非贪婪匹配:
result8 = re.match(r'^(\d+?)(0*)$', '102300').groups() print(result8)
6、正则表达式的编译
当我们在Python中使用正则表达式时,re模块内部会干两件事情:
- 编译正则表达式,如果正则表达式的字符串本身不合法,会报错;
- 用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次,出于效率的考虑,我们可以预编译该正则表达式,
接下来重复使用时就不需要编译这个步骤了,直接匹配:
# 编译 re_telephone = re.compile(r'^(\d{3,4})-(\d{3,8})$') # 直接使用 print(re_telephone.match('010-12345').groups()) # 直接使用 print(re_telephone.match('010-8086').groups())
编译后生成Regular Expression对象,由于该对象自己包含了正则表达式,
所以调用对应的方法时不用给出正则字符串。
7、re模块中常用的几个函数
(1)compile()
compile() 编译正则表达式模式,返回一个对象的模式,这样某个模式编译一次就可以在程序中多次使用
import re tt = "Tina is a good girl, she is cool, clever, and so on..." rr = re.compile(r'\w*oo\w*') print(rr.findall(tt)) #查找所有包含'oo'的单词
(2)match()
match() 决定RE是否在字符串刚开始的位置匹配。//注:这个方法并不是完全匹配。
当pattern结束时若string还有剩余字符,仍然视为成功。想要完全匹配,可以在表达式末尾加上边界匹配符'$'
print(re.match('com','comwww.runcomoob').group())
(3)search()
re.search函数会在字符串内查找模式匹配,只要找到第一个匹配然后返回,如果字符串没有匹配,则返回None。
print(re.search('\dcom','www.4comrunoob.5com').group())
(4)findall()
findall() 遍历匹配,可以获取字符串中所有匹配的字符串,返回一个列表。
p = re.compile(r'\d+') print(p.findall('o1n2m3k4'))
(5)finditer()
finditer() 搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。找到 RE 匹配的所有子串,并把它们作为一个迭代器返回。
iter = re.finditer(r'\d+','12 drumm44ers drumming, 11 ... 10 ...') for i in iter: print(i) print(i.group()) print(i.span())
(6)split()
split() 按照能够匹配的子串将string分割后返回列表。
可以使用re.split来分割字符串,如:re.split(r'\s+', text);将字符串按空格分割成一个单词列表。
print(re.split('\d+','one1two2three3four4five5'))
(7)sub()
sub() 使用re替换string中每一个匹配的子串后返回替换后的字符串。
import re text = "JGood is a handsome boy, he is cool, clever, and so on..." print(re.sub(r'\s+', '-', text))
(8)subn()
subn() 使用re替换string中每一个匹配的子串后返回替换后的字符串,并返回替换次数
print(re.subn('[1-2]','A','123456abcdef')) print(re.sub("g.t","have",'I get A, I got B ,I gut C')) print(re.subn("g.t","have",'I get A, I got B ,I gut C'))
0x03 参考链接
- https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386832260566c26442c671fa489ebc6fe85badda25cd000
- http://www.runoob.com/python3/python3-reg-expressions.html
- https://www.cnblogs.com/tina-python/p/5508402.html
- https://www.jb51.net/tools/regexsc.htm