正则表达式-Python实现
1、概述：
Regular Expression。缩写regex，regexp，R等：
正则表达式是文本处理极为重要的工具。用它可以对字符串按照某种规则进行检索，替换。
Shell编程和高级编程语言中都支持正则表达式。
2、分类：
BRE：基本正则表达式，grep、sed、vi等软件支持，vim有扩展。
ERE:扩展正则表达式，egrep（grep-E）、sed-r。
PCRE: re模块。Python中。几乎所有高级语言都是PCRE的方言或者变种。
3、基本语法
1）元字符
|
代码 |
说明 |
举例 |
|
. |
匹配除换行符外任意一个字符 |
. |
|
[abc] |
字符集合，只能表示一个字符位置。匹配所包含的任意一个字符 |
[abc]匹配plain中的’a’ |
|
[^abc] |
字符集合，只能表示一个字符位置，匹配除去集合内字符的任意一个字符。 |
[^abc]可以匹配plain中’p’,’l’,’i’或者’n’
|
|
[a-z] |
字符范围，也是个集合，表示一个字符位置，匹配所包含的任意一个字符。 |
[a-d]可以匹配plain中的’a’
|
|
[^a-z] |
字符范围，也是个集合，表示一个字符位置，匹配除去集合内字符的任意一个字符。 |
[a-d]可以匹配plain的中’p’,’l’,’i’或者’n’
|
|
\b |
匹配单词的边界 |
\ba在文本中找到单词a开头的，a\b找到以a结尾的。 |
|
\B |
不匹配单词的边界 |
t\B包含t的单词但是不以t结尾，write \Bb不以b开头但是包含b的单词，able |
|
\d |
[0-9]匹配1位数字 |
\d |
|
\D |
[^0-9]匹配一位非数字 |
|
|
\w |
匹配[a-zA-Z0-9]，包括中文的字 |
\w |
|
\W |
匹配\w之外的字符。 |
|
|
\s |
匹配1位空白字符，包括换行符，制表符、空格[\f\r\n\t\v] |
|
|
\S |
匹配非空白字符。 |
|
2）转义
凡是在正则表达式中有特殊意义的符号，如果想使用它他的本意，使用\转义，反斜杠自身，得使用\\ \r 转义后代表回车 \n 换行
3）重复
|
代码 |
说明 |
举例 |
|
* |
表示前面的正则表达式会重复0次或者多次 |
e\w*单词e中可以有非空白字符。 |
|
+ |
表示前面的正则表达式重复至少1次 |
e\w+单词e后面至少有一个非空白字符。 |
|
？ |
表示前面的正则表达式会重复0次或者1次 |
e\w?单词e后面至多有一个非空白字符。 |
|
{n} |
重复固定的n次 |
e \w{1}单词中e后面只能有一个非白字符。 |
|
{n，} |
重复至少n次 |
e \w{1,} >>>e\w+ e\w{0,}>>>e\w* e \w{0,1}>>>e\w? |
|
{n，m} |
重复n到m次 |
e \w{1,10}单词后面至少一个，至多10个非空白字符。 |
4）基本练习：
（1）匹配手机号码：
\d{11,}
（2）匹配中国座机：
\d{3,4}-\d{7,8}
5）源代码
|
代码 |
说明 |
举例 |
|
x | y |
匹配x或者y |
Wood took foot food 使用w|food 或者（w|f）odd |
|
捕获 |
|
|
|
（pattern） |
使用小括号指定一个字表达式，也叫分组捕获后会自动分配组号从1开始，可以改变优先级 |
|
|
\数字 |
匹配对应的分组 |
(very)\1匹配very very，但捕获的组group是very。 |
|
（?：pattern） |
如果仅仅为了改变优先级，就不需要捕获分组 |
(?:w|f)ood ‘industr(?:y|lies)’等价于’industry|industries’ |
|
（?<name>exp）(?’name’exp) |
分组捕获，但是可以通过name访问分组。Python的语法必须是（?P<name>exp） |
|
|
零宽断言 |
|
|
|
(?=exp) |
零宽度正测先行断言： 断言exp一定在匹配的右边出现，也就是说断言后面一定跟个exp |
f(?=00)f后面一定有oo出现 |
|
（?<=exp） |
零宽度正回顾后发断言： 断言exp一定出现在匹配的左边出现。也就是说前面一定有个exp前缀 |
（?<=f）ood,(?<=t)ook分别匹配ood，ook，ook前面一定有t出现。 |
|
负向零宽断言 |
|
|
|
(?!exp) |
零宽度负预测先行断言； 断言一定不会出现在右侧，也就是说断言后面一定不是exp |
\d{3}(?!\d)匹配三位数字，断言三位数字后面一定不能是数字 |
|
(?<!exp) |
零宽度负回顾后发断言 断言exp一定不能出现在左侧，也就是说断言前面一定不能是exp |
（?<!f）ood ood 的左边一定不是f |
|
注释 |
|
|
|
(?#comment) |
注释 |
|
断言不占分组号，断言如同条件，只是要求匹配必须满足断言条件。
分组和捕获是同一个意思；
使用正则表达式时候，能用简单表达式，就不要复杂的表达式。
6）贪婪与非贪婪；
|
代码 |
说明 |
举例 |
|
*? |
匹配任意次，但是尽可能少重复 |
*？尽可能的少，可以是没有。
|
|
+? |
匹配至少1次，但是尽可能少重复 |
+?至少一次。
|
|
?? |
匹配0次或者1次，尽可能少重复 |
??尽可能的少，至少0次。
|
|
{n，}? |
匹配至少n次，尽可能没有 |
|
|
{n，m} |
至少匹配n次，至多m次，尽可能少重复 |
|
|
|
Very very very happy |
V.*y 和v.*?y |
7）引擎选项：
|
代码 |
说明 |
Python中 |
|
ignoreCase |
匹配时忽略大小写 |
re.l re.lGNORECASE |
|
Singleline |
单行模式，可以匹配所有字符，包括\n |
re.S re.DOTALL |
|
Multine |
多行模式^,行首，$行尾 |
re.M re.MULTLINE |
|
lgnorePatternWhites |
忽略表达式中的空白字符，如果要使用空白字符转义，#可以用来做注释 |
re.x re.VERBOSE |
8）总结：
单行模式；
.可以匹配所有字符，包括换行符
^表示整个字符串的开头，$整个字符串的结尾。
多行模式：
.可以匹配除了换行符之外的字符。
^表示整个字符串的开头，$整个字符串的结尾。
^表示整个字符串的开始，$表示整个字符串的结尾。开始指的是\n紧接着下一个字符，结束指的是/n前的字符。
可以认为，单行模式就如同看穿了换行符，所有文本就是一个长长的只有一行的字符串，所有^表示整个字符串的开头，$整个字符串的结尾。
多行模式，注意字符串看不见的换行符，\r\n 会影响e$测试，e$只能匹配e\n.
*重复任意次 限制的话用*？ 得到了限制。
默认是贪婪模式，也就是尽量多匹配长的字符串。
9）练习题：
匹配一个0-9999之间的任意数字：
^([1-9]?\d\d?|\d)(?!\d)
匹配合法的ip地址：
(\d{1,3}\.){3}\d{1,3}
192.168.1.150
0.0.0.0
255.255.255.255
17.16.52.100
172.16.0.100
400.400.999.888
001.022.003.000
257.257.255.256
ip的验证采用python 的socket模块.
选出含有ftp的链接。且文件的类型是gz或者xz的。
.*ftp.*/([^/]*\.(?:gz|xz))
4、python的正则表达式
1）常量：r.M(re.MULTILINE)多行 r.S(re.DOTALL)单行。 r.L(re.IGNORECASE)忽略大小写。 r.X(re.VERBOSE)忽略空白字符。 使用|或运算
2）方法、编译：
re.compile(pattern,flags=0)
设定flag，编译模式。返回正则表达式对象regex。
Pattern就是正则表达式的字符串，flags是选项，正则表达式需要被编译，为了提高效率，为了提高效率，这些编译后的结果就会被保存，下次使用同样的pattern的时候，就会不需要再次编译。
re的其他方法为了提高效率都调用了编译方法，就是为了提速。
3）Re.matth(pattern,string,flags=0)匹配只是做了单次的匹配。从头开始，从第一个字符串匹配上。对匹配字符串加上了一^字符。只是匹配了一次。
Regex.match编译后可以调整位置（切片）可以设置开始和结束的位置。返回match对象 regex = re.compile
match必须是以他开头的，指定索引。
4）re.search(pattern,string,flags=0) 全文搜索，不限定在哪里开始查找，找到第一个匹配对象立即返回，找不到返回none。只是找第一个。
Regex.search（）可以指定位置。
5)re.fullmatch（pattern,string,flags=0）完全匹配。
regex.fullmatch(string) 整个字符串和正则表达式匹配。
import re
s = '''bottle\nbag\nbig\napple'''
for i,c in enumerate(s,1):
print((i-1,c),end='\n' if i%8==0 else ' ')
print()
print('--match--')
result = re.match('b',s)
print(1,result)
result= re.match('a',s)
print(2,result)
result = re.match('^a',s,re.M)
print(3,result)
result = re.match('^a',s,re.S)
print(4,result)
regex = re.compile('a')
result =regex.match(s)
print(5,result)
result=regex.match(s,15)
print(6,result)
print('--search--')
result = re.search('a',s)
print(7,result)
regex = re.compile('b')
result=regex.search(s,1)
print(8,result)
regex=re.compile('^b',re.M)
result=regex.search(s)
print(8.5,result)
result=regex.search(s,8)
print(9,result)
print('--fullmatch--')
result=re.fullmatch('bag',s)
print(10,result)
regex=re.compile('bag')
result=regex.fullmatch(s)
print(11,result)
result = regex.fullmatch(s,7)
print(12,result)
result=regex.fullmatch(s,7)
print(13,result)
(0, 'b') (1, 'o') (2, 't') (3, 't') (4, 'l') (5, 'e') (6, '\n') (7, 'b')
(8, 'a') (9, 'g') (10, '\n') (11, 'b') (12, 'i') (13, 'g') (14, '\n') (15, 'a')
(16, 'p') (17, 'p') (18, 'l') (19, 'e')
--match--
1 <_sre.SRE_Match object; span=(0, 1), match='b'>
2 None
3 None
4 None
5 None
6 <_sre.SRE_Match object; span=(15, 16), match='a'>
--search--
7 <_sre.SRE_Match object; span=(8, 9), match='a'>
8 <_sre.SRE_Match object; span=(7, 8), match='b'>
8.5 <_sre.SRE_Match object; span=(0, 1), match='b'>
9 <_sre.SRE_Match object; span=(11, 12), match='b'>
--fullmatch--
10 None
11 None
12 None
13 None
6)、全文搜索；
Re.findall（pattern,string,flags=0）全文搜索，全部搜索。 返回匹配项的列表
Regex.findall(string,)
Re.finditer（） 返回匹配项的可迭代对象。返回的都是match对象
Regex.finditer（）
import re
s = '''bottle\nbag\nbig\napple'''
for i,c in enumerate(s,1):
print((i-1,c),end='\n' if i%8==0 else ' ')
print()
print('--findall--')
result = re.findall('b',s)
print(1,result)
regex = re.compile('^b')
result = regex.findall(s)
print(2,result)
regex=re.compile('^b',re.M)
result=regex.findall(s,7)
print(3,result)
regex=re.compile('^b',re.S)
result=regex.findall(s)
print(4,result)
regex=re.compile('^b',re.M)
result=regex.findall(s,7,10)
print(5,result)
print('--finder--')
result=regex.finditer(s)
print(1,type(result))
print(2,next(result))
print(3,next(result))
(0, 'b') (1, 'o') (2, 't') (3, 't') (4, 'l') (5, 'e') (6, '\n') (7, 'b')
(8, 'a') (9, 'g') (10, '\n') (11, 'b') (12, 'i') (13, 'g') (14, '\n') (15, 'a')
(16, 'p') (17, 'p') (18, 'l') (19, 'e')
--findall--
1 ['b', 'b', 'b']
2 ['b']
3 ['b', 'b']
4 ['b']
5 ['b']
--finder--
1 <class 'callable_iterator'>
2 <_sre.SRE_Match object; span=(0, 1), match='b'>
3 <_sre.SRE_Match object; span=(7, 8), match='b'>
5、匹配替换：
re.sub（pattern,repleacement,string,count=0,flags=0） 替换
regex.sub（replacement,string,count=0） 替换
使用pattern对字符串string进行匹配，对匹配项使用replancement替换吧，可以是string，bytes，function。
re.subn（pattern，replacement，string，count=0，flags=0）输出二元组，提供替换的次数。
regex.subn（replacement，string，count=0，flags=0）
regex = re.compile('b\wg')
result = regex.sub('magedu',s)
print(1,result)
result = regex.sub('magedu',s,1)
print((2,result))
regex =re.compile('\s+')
result = regex.subn('\t',s)
print(3,result)
1 bottle
magedu
magedu
apple
(2, 'bottle\nmagedu\nbig\napple')
3 ('bottle\tbag\tbig\tapple', 3)
6、分隔字符串：
Re.split(pattern,string,maxsplit=0,flag=0)
Re.split分隔字符串
import re
s= '''01 bottle
02 bag
03 big1
100 able'''
x = re.split('\s+\d+\s+',' '+s)
print(x)
['', 'bottle', 'bag', 'big1', 'able']
7、分组：
使用小括号的pattern捕获的数据放到了组group中。
Match，search函数均可以返回match对象。Findall返回的是字符串列表。。Finditer一个个返回match对象。。
如果pattern中使用了分组，如果有匹配结果，会在match对象中。
1)使用group（N）方式返回对应的分组，1-N对应的是分组，0返回整个匹配的字符串。
2)如果使用了命名分组，可以使用group（‘name’）的方式取分组。
3)也可以使用groups（）返回所有组。
4)使用groupdict返回所有命名的分组。
Matcher.group()
matcher.groups()返回的是二元组。
Matcher.groupdict()字典。
import re
s = '''bottle\nbag\nbig\napple'''
for i,c in enumerate(s,1):
print((i-1,c),end='\n' if i%8==0 else ' ')
print()
regex = re.compile('(b\w+)')
result = regex.match(s)
print(type(result))
print(1,'match',result.groups())
result =regex.search(s,1)
print(2,'search',result.groups())
regex = re.compile('(b\w+)\n(?P<name2>b\w+)\n(?P<name3>b\w+)')
result = regex.match(s)
print(3,'match',result)
print(4,result.group(3),result.group(2),result.group(1))
print(5,result.group(0).encode())
print(6,result.group('name2'),result.group('name3'))
print(6,result.groups())
print(7,result.groupdict())
result = regex.findall(s)
for x in result:
print(8,type(x),x)
regex = re.compile('(?P<head>b\w+)')
result = regex.finditer(s)
for x in result:
print(9,type(x),x,x.group(),x.group('head'))
(0, 'b') (1, 'o') (2, 't') (3, 't') (4, 'l') (5, 'e') (6, '\n') (7, 'b')
(8, 'a') (9, 'g') (10, '\n') (11, 'b') (12, 'i') (13, 'g') (14, '\n') (15, 'a')
(16, 'p') (17, 'p') (18, 'l') (19, 'e')
<class '_sre.SRE_Match'>
1 match ('bottle',)
2 search ('bag',)
3 match <_sre.SRE_Match object; span=(0, 14), match='bottle\nbag\nbig'>
4 big bag bottle
5 b'bottle\nbag\nbig'
6 bag big
6 ('bottle', 'bag', 'big')
7 {'name2': 'bag', 'name3': 'big'}
8 <class 'tuple'> ('bottle', 'bag', 'big')
9 <class '_sre.SRE_Match'> <_sre.SRE_Match object; span=(0, 6), match='bottle'> bottle bottle
9 <class '_sre.SRE_Match'> <_sre.SRE_Match object; span=(7, 10), match='bag'> bag bag
9 <class '_sre.SRE_Match'> <_sre.SRE_Match object; span=(11, 14), match='big'> big big
8、练习题：
1）判断邮箱地址。
\w+[-.\w]*@[\w-]+(\.[\w-]+)+
2）html提取：
<[^<>]+>(.*)<^<>+>
3）URL提取。
（\w+）://([^\s]+)
4）身份验证
身份证验证需要使用计算公式，最严格的应该是实名验证。
\d{17}[0-9xX]|\d{15}
5）单词统计利用makekey等进行查找。
