正则表达式re模块
正则表达式模块re
1. 正则简介
就其本质而言，正则表达式（或 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。正则表达式模式被
编译成一系列的字节码，然后由用 C 编写的匹配引擎执行。
2.正则匹配之字符匹配
- 普通子符匹配 大多数字符和字母都会和自身匹配
>>> s = "this is myblogs ,1 2 ,34" >>> re.findall('is',s) ['is', 'is'] >>> re.findall('2',s) ['2']
-
二元字符匹配
-
常用元字符：
- . 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
- ^ 匹配起始位置
- $ 匹配终止位置
- ＊ 匹配前面的字符0到多次,可以没有
- ＋ 匹配前面的字符1到多次,最少有一个
- ? 匹配前面的字符0-1次
- \ 转义符 反斜杠后面跟元字符去除特殊功能, 反斜杠后面跟普通字母实现特殊功能
- {} 匹配次数 如 {3}匹配3次，{1,5} 匹配1到五次
- [] 或的作用 a[bc]d 匹配 abd acd ,除了
-
,非^
,"" 里面的特殊符号没有任何意义
-
具体使用：
-
>>> s = "this is myblogs , my name is blogs" # . 表示任意字符，通用匹配 >>> re.findall('.s',s) ＃使用.匹配任意以s结尾的两位字符串 ['is', 'is', 'gs', 'is', 'gs'] >>> re.findall('.blogs',s) ['yblogs', ' blogs'] >>> re.findall('b.og',s) ['blog', 'blog'] # ^ 表示匹配开头，只匹配开头内容 >>> re.findall('^is',s) [] >>> re.findall('^th',s) ['th'] >>> re.findall('^this',s) ['this'] # $表示匹配结尾内容，只匹配结尾，用在字符之后 >>> re.findall('$s',s) ＃注意$要放字符串后边 [] >>> re.findall('s$',s) ['s'] >>> re.findall('.s$',s) ['gs'] # *表示匹配前面字符0到多次，用在字符之后，只针对前面的一个字符 >>> s = "aabbccddabcdabcd" >>> re.findall('a*',s) #匹配0到多次，所以会打印没有匹配到的 ['aa', '', '', '', '', '', '', 'a', '', '', '', 'a', '', '', '', ''] >>> re.findall('aa*',s) #匹配第二个a出现的0到多次 ['aa', 'a', 'a'] >>> re.findall('ab*',s) ＃匹配b出现的0到多次 ['a', 'abb', 'ab', 'ab'] # ＋ 匹配前面的字符1到多次,最少有一个 >>> re.findall('a+',s) #最少出现一个a ['aa', 'a', 'a'] >>> re.findall('aa+',s) #最少出现一个aa ['aa'] >>> re.findall('ab+',s) ＃最少出现一个ab ['abb', 'ab', 'ab'] # ? 匹配前面的字符0-1次,只能出现一次或没有 >>> s = "aa bb cc dd abcd ababcdcd" >>> re.findall('aa?',s) ['aa', 'a', 'a', 'a'] >>> re.findall('ab?',s) ['a', 'a', 'ab', 'ab', 'ab'] ＃匹配出现一次b或者没有，所结果中b只能出现一次或者没有 # / 转义功能，去除后面字符的特殊意义 >>> s = "* *? +> <>" >>> re.findall('^\*',s) ＃匹配＊号 ['*'] >>> re.findall('\*.',s) ['* ', '*?'] #{} 指定匹配次数 s = "aa bb aaa bbb aabbcc aaabbb abab ababab" >>> re.findall('a{1,2}',s) ＃匹配a出现的1-2次，即a aa ['aa', 'aa', 'a', 'aa', 'aa', 'a', 'a', 'a', 'a', 'a', 'a'] >>> re.findall('ab{1,2}',s) ＃匹配ab或 abb ['abb', 'abb', 'ab', 'ab', 'ab', 'ab', 'ab'] # [] 或的作用 >>> s = "abc adc aec adec abbc addc abbbc adddc ac abbddc" >>> re.findall('a[db]c',s) #匹配abc 或adc ['abc', 'adc'] >>> re.findall('a[db]+c',s) #匹配ac中间至少1个b或d，可以有多个 ['abc', 'adc', 'abbc', 'addc', 'abbbc', 'adddc', 'abbddc'] >>> re.findall('a[db]?c',s) ＃匹配ac中间一个a或b，可以没有 ['abc', 'adc', 'ac'] >>> re.findall('a[db]*c',s) #匹配ac中间0到多个b或d ['abc', 'adc', 'abbc', 'addc', 'abbbc', 'adddc', 'ac', 'abbddc'] >>> re.findall('a[^db]c',s) #匹配ac中间不出现b或d的情况 ^在这里表示非 ['aec'] >>> s = "abc abbbbbc a1231c a_+_+_+_+_+_c " >>> re.findall('a[a-z,0-9]+c',s) ＃匹配ac中间是字母或数字 ['abc', 'abbbbbc', 'a1231c']
-
其他特殊意义的字符加字母：
- \w 匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
- \W 匹配任何非单词字符。等价于 '[A-Za-z0-9_]'。
- \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。c
- \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个分组的子表达式。
- \10 匹配第n个分组的子表达式，如果它经匹配。否则指的是八进制字符码的表达式。
具体实例：
>>> s = "1234 abcd ABCD _ * <>" >>> re.findall('\\w',s) ['1', '2', '3', '4', 'a', 'b', 'c', 'd', 'A', 'B', 'C', 'D', '_'] >>> re.findall('\\W',s) [' ', ' ', ' ', ' ', '*', ' ', '<', '>'] >>> re.findall('\\s',s) [' ', ' ', ' ', ' ', ' '] >>> re.findall('\\S',s) ['1', '2', '3', '4', 'a', 'b', 'c', 'd', 'A', 'B', 'C', 'D', '_', '*', '<', '>'] >>> re.findall('\\d',s) ['1', '2', '3', '4'] >>> re.findall('\\D',s) [' ', 'a', 'b', 'c', 'd', ' ', 'A', 'B', 'C', 'D', ' ', '_', ' ', '*', ' ', '<', '>'] >>> re.findall('\\A',s) [''] >>> re.findall('\\A1',s) ['1'] >>> re.findall('\\A2',s) [] >>> re.findall('\\Z\>',s) [] >>> re.findall('\>\\Z',s) ['>']
PS：
反斜杠的困扰
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，这个例子中的正则表达式可以使用r\
表示。同样，匹配一个数字的\d
可以写成r\d
。有了原生字符串，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。
所谓原生字符串就是python解释器不在解释规则在python中的含义，而是直接交给re模块来处理
- 分组匹配
分组匹配一般使用（），被括起来的表达式将作为一组，上面所说的只是针对单个字符串，如果需要匹配多个字符串，则用到了分组匹配。先匹配成功全部正则，再匹配成功的局部内容提取出来
如下：
>>> s = "aa bb aaa bbb aabbcc aaabbb abab ababab" >>> re.findall('(ab).',s) ＃同时匹配ab ['ab', 'ab', 'ab', 'ab']
下面将在re模块常用函数中来说明
3. 正则匹配方式：
- re.findall(pattern, string) 匹配字符串中所有符合规则的字符串，并以列表形式返回
注意：
findall如果使用了分组，则输出的内容将是分组中的内容而非find到的结果，
为了得到find到的结果，要加上问号来启用“不捕捉模式”，就可以了。
>>> re.findall("www.(baidu|xinlang)\.com","www.baidu.com") ['baidu'] >>> re.findall("www.(?:baidu|xinlang)\.com","www.baidu.com") ['www.baidu.com']
- re.match(pattern, string, flags=0) 只匹配字符串中开头符合规则的字符串，其返回的是一个对象 pattern 是正则规则 string 是字符串 flags 是匹配模式
>>> s = '123abc4545' >>> re.match(r'\w',s) <_sre.SRE_Match object; span=(0, 1), match='1'> >>> re.match(r'\w',s).group() 只匹配字符串开头 '1'
- re.search(pattern,string，flags=0) 匹配字符串的所有,但是匹配即停止,只返回第一个匹配的字符 pattern 是正则规则 string 是字符串 flags 是匹配模式
>>> s = '123abc4545' >>> re.search(r'\w',s) <_sre.SRE_Match object; span=(0, 1), match='1'> >>> re.search(r'\w',s).group() '1' >>> re.search(r'\D',s).group() 'a'
-
PS：以上match和search都返回的是对象，其返回的对象有以下属性和方法：
-
属性：
- string: 匹配时使用的文本。
- re: 匹配时使用的Pattern对象。
- pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
- lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。
-
方法：
- group([group1, …]): 获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
- groups([default]): 以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
- groupdict([default]): 返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
- start([group]): 返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
- end([group]): 返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
- span([group]): 返回(start(group), end(group))。
- expand(template): 将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g0。
举例：
-
>>> a = "123abc456" >>> re.search("([0-9]*)([a-z]*)([0-9]*)",a) <_sre.SRE_Match object; span=(0, 9), match='123abc456'> >>> re.search("([0-9]*)([a-z]*)([0-9]*)",a).group() '123abc456' >>> re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0) '123abc456' >>> re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1) '123' >>> re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2) 'abc' >>> re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3) '456'
＃ group(1) 列出第一个括号匹配部分，group(2) 列出第二个括号匹配部分，group(3)
列出第三个括号匹配部分。
-
其他函数
- split 使用正则分割字符串
>>> s = "a1b2c3" >>> re.split('\d',s) ['a', 'b', 'c', ''] ＃注意后面的空字符串，因为最后一个是数字，所以后边就多一个空字符
- sub 替换匹配成功的指定位置字符串
>>> s = "a1b2c3" >>> re.sub('\d','-',s) 'a-b-c-'
- compile 将正则表达式编译成Pattern对象，后面可以直接调用
>>> a = re.compile('\d') >>> s = "a1b2c3" >>> a.findall(s) ['1', '2', '3']
- 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
>>> a = re.compile('\d') >>> s = "a1b2c3" >>>for m in a.finditer(s):print(m.group()) ... 1 2 3
4.常用正则匹配
- 匹配手机号
>>> s = "my name is jeck, my phone is 18611112222, my email is jeck@gmail.com,my ip is 10.20.10.20,,my ID card is 110521199012256515" >>> re.findall('(1[3578]\d{9})',s) ['18611112222'] >>> re.search('(1[3578]\d{9})',s).group() '18611112222' >>> re.search('(13[0-9]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\\d{8}',s).group() '18611112222'
- 匹配身份证
s = "my name is jeck, my phone is 18611112222, my email is jeck@gmail.com,my ip is 10.20.10.20,,my ID card is 110521199012256515" >>> re.search("([1-9]\\d{5}[1-9]\\d{3}((0\\d)|(1[0-2]))(([0|1|2]\\d)|3[0-1])\\d{3}([0-9]|X)$)",s).group() '110521199012256515'
- 匹配ip地址
s = "my name is jeck, my phone is 18611112222, my email is jeck@gmail.com,my ip is 10.20.10.20,,my ID card is 110521199012256515" >>> re.search('\d+\.\d+\.\d+\.\d+',s).group() '10.20.10.20' >>> re.search('\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}',s).group() '10.20.10.20'
- 匹配邮箱
>>>s = "my name is jeck, my phone is 18611112222, my email is jeck@gmail.com,my ip is 10.20.10.20,,my ID card is 110521199012256515" >>>re.search('([a-zA-Z0-9._%+-])+@([a-zA-Z0-9.-]+\.[a-zA-Z]{2,4})',s).group() 'jeck@gmail.com'
学习提高自己，能力证明自己，技能创造价值
