Python中正则表达式基础知识
一、正则表达式
1.使用正则表达式的动机
1. 文本处理已经成为计算机常见工作之一
2. 对文本内容的搜索，定位，提取是逻辑比较复杂的工作
3. 为了快速方便的解决上述问题，产生了正则表达式技术
2.定义：
即文本的高级匹配模式，提供搜索，替换等功能。其本质是由一系列字符和特殊符号构成的字串，这个字串即正则表达式。
3.原理：
通过普通字符和有特定含义的字符，来组成字符串，用以描述一定的字符串规则，比如：重复，位置等，来表达某类特定的字符串，进而匹配。
4.元字符使用：
1.普通字符--------匹配规则：每个普通字符匹配其对应的字符
e.g.
In : re.findall('ab',"abcdefabcd")
Out: ['ab', 'ab']
注意：正则表达式在python中也可以匹配中文
2.或关系(|)
元字符: |
匹配规则: 匹配 | 两侧任意的正则表达式即可
e.g.
In : re.findall('com|cn',"www.baidu.com/www.tmooc.cn")
Out: ['com', 'cn']
3.匹配单个字符
元字符： .
匹配规则：匹配除换行外的任意一个字符
e.g.
In : re.findall('张.丰',"张三丰,张四丰,张五丰")
Out: ['张三丰', '张四丰', '张五丰']
4.匹配字符集
元字符： [字符集]
匹配规则: 匹配字符集中的任意一个字符
表达形式:
[abc#!好] 表示 [] 中的任意一个字符
[0-9],[a-z],[A-Z] 表示区间内的任意一个字符
[_#?0-9a-z] 混合书写，一般区间表达写在后面
e.g.
In : re.findall('[aeiou]',"How are you!")
Out: ['o', 'a', 'e', 'o', 'u']
5.匹配字符集反集
元字符：[^字符集]
匹配规则：匹配除了字符集以外的任意一个字符
e.g.
In : re.findall('[^0-9]',"Use 007 port")
Out: ['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']
6.匹配字符串开始位置
元字符: ^
匹配规则：匹配目标字符串的开头位置
e.g.
In : re.findall('^Jame',"Jame,hello")
Out: ['Jame']
7.匹配字符串的结束位置
元字符: $
匹配规则: 匹配目标字符串的结尾位置
e.g.
In : re.findall('Jame$',"Hi,Jame")
Out: ['Jame']
规则技巧: ^ 和 $必然出现在正则表达式的开头和结尾处。如果两则同时出现，则中间的部分必须匹配整个目标字符串的全部内容------绝对匹配。
8.匹配字符重复
元字符: *
匹配规则：匹配前面的字符出现0次或多次
e.g.
In : re.findall('wo*',"wooooo~~w!")
Out: ['wooooo', 'w']
元字符：+
匹配规则： 匹配前面的字符出现1次或多次
e.g.
In : re.findall('[A-Z][a-z]+',"Hello World")
Out: ['Hello', 'World']
元字符：?
匹配规则： 匹配前面的字符出现0次或1次
e.g. 匹配整数
In [28]: re.findall('-?[0-9]+',"Jame,age:18, -26")
Out[28]: ['18', '-26']
元字符：{n}
匹配规则： 匹配前面的字符出现n次
e.g. 匹配手机号码
In : re.findall('1[0-9]{10}',"Jame:13886495728")
Out: ['13886495728']
元字符：{m,n}
匹配规则： 匹配前面的字符出现m-n次
e.g. 匹配qq号
In : re.findall('[1-9][0-9]{5,10}',"Baron:1259296994")
Out: ['1259296994']
9.匹配任意（非）数字字符
元字符： \d \D
匹配规则：\d 匹配任意数字字符，\D 匹配任意非数字字符
e.g. 匹配端口
In : re.findall('\d{1,5}',"Mysql: 3306, http:80")
Out: ['3306', '80']
10.匹配任意（非）普通字符
元字符： \w \W
匹配规则: \w 匹配普通字符，\W 匹配非普通字符
说明: 普通字符指数字，字母，下划线，汉字。
e.g.
In : re.findall('\w+',"server_port = 8888")
Out: ['server_port', '8888']
11.匹配任意（非）空字符
元字符： \s \S
匹配规则: \s 匹配空字符，\S 匹配非空字符
说明：空字符指 空格 \r \n \t \v \f 字符
e.g.
In : re.findall('\w+\s+\w+',"hello world")
Out: ['hello world']
12.匹配开头结尾位置
元字符： \A \Z
匹配规则： \A 表示开头位置，\Z 表示结尾位置
13.匹配（非）单词的边界位置
元字符： \b \B
匹配规则： \b 表示单词边界，\B 表示非单词边界
说明：单词边界指数字字母(汉字)下划线与其他字符的交界位置。
e.g.
In : re.findall(r'\bis\b',"This is a test.")
Out: ['is']
5.对元字符分类：
6.正则表达式的转义
1.如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。
特殊字符: . * + ? ^ $ [] () {} | \
e.g. 匹配特殊字符 . 时使用 \. 表示本身含义
In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")
Out: ['123', '-123', '1.23', '-1.23']
2. 在编程语言中，常使用原生字符串书写正则表达式避免多重转义的麻烦。
（在这里，正则表达式需要转义，书写成python字符串格式也需要转义，因此双重转义，为避免混乱，对python层面的转义用原生字符串书写）
python字符串 -------------> 正则 --------> 目标字符串
"\\$\\d+" 解析为 \$\d+ 匹配 "$100"
"\\$\\d+" 等同于 r"\$\d+"
7.贪婪模式和非贪婪模式
1. 定义
贪婪模式: 默认情况下，匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}
非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。
注：两者的前提是正则表达式条件必须整体满足时，才能谈贪婪和非贪婪
2. 贪婪模式转换为非贪婪模式
在匹配重复元字符后加 '?' 号即可
* : *?
+ : +?
? : ??
{m,n} : {m,n}?2019/4/25 RE
e.g.
In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
Out: ['(abcd)', '(higk)']
8.正则表达式分组
1. 定义
在正则表达式中，以()建立正则表达式的内部分组，子组是正则表达式的一部分，可以作为内部整体操作对象。
2. 作用
1.可以被作为整体操作，改变元字符的操作对象
e.g. 改变 +号 重复的对象
In : re.search(r'(ab)+',"ababababab").group()
Out: 'ababababab'
e.g. 改变 |号 操作对象
In : re.search(r'(王|李)\w{1,3}',"王者荣耀").group()
Out: '王者荣耀'
2.可以通过编程语言某些接口获取匹配内容中，子组对应的内容部分
e.g. 获取url协议类型
re.search(r'(https|http|ftp|file)://\S+',"https://www.baidu.com").group(1)
3. 捕获组
可以给正则表达式的子组起一个名字，表达该子组的意义。这种有名称的子组即为捕获组。
格式： (?Ppattern)
e.g. 给子组命名为 "pig"
In : re.search(r'(?Pab)+',"ababababab").group('pig')
Out: 'ab'
4. 注意事项
一个正则表达式中可以包含多个子组
子组可以嵌套，但是不要重叠或者嵌套结构复杂
子组序列号一般从外到内，从左到右计数（如下图，序号表示先后顺序）
9.正则表达式匹配原则
1. 正确性,能够正确的匹配出目标字符串.
2. 排他性,除了目标字符串之外尽可能少的匹配其他内容.
3. 全面性,尽可能考虑到目标字符串的所有情况,不遗漏.
二、Python中 re模块使用
1.re模块相关函数：
regex = compile(pattern,flags = 0)
功能: 生产正则表达式对象
参数: pattern 正则表达式
flags 功能标志位,扩展正则表达式的匹配
返回值: 正则表达式对象
re.findall(pattern,string,flags = 0)
功能: 根据正则表达式匹配目标字符串内容
参数: pattern 正则表达式
string 目标字符串
flags 功能标志位,扩展正则表达式的匹配
返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容
regex.findall(string,pos,endpos)
功能: 根据正则表达式匹配目标字符串内容
参数: string 目标字符串
pos 截取目标字符串的开始匹配位置
endpos 截取目标字符串的结束匹配位置
返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容
import re
s = "Levi:1994,Sunny:1993"
pattern = r"(\w+):(\d+)"
# re模块调用
# l = re.findall(pattern, s)
# print(l)
# compile对象调用
regex = re.compile(pattern, flags=0)
l = regex.findall(s, 0, 55 )
print(l)
[('Levi', '1994'), ('Sunny', '1993')]
re.split(pattern,string,flags = 0)
功能: 使用正则表达式匹配内容,切割目标字符串
参数: pattern 正则表达式
string 目标字符串
flags 功能标志位,扩展正则表达式的匹配
返回值: 切割后的内容列表
import re s = "hello world how are you" # pattern = r"[^\w]+" pattern = r"\W+" l = re.split(pattern, s) print(l)
re.sub(pattern,replace,string,max,flags = 0)
功能: 使用一个字符串替换正则表达式匹配到的内容
参数: pattern 正则表达式
replace 替换的字符串
string 目标字符串
max 最多替换几处,默认替换全部
flags 功能标志位,扩展正则表达式的匹配
返回值: 替换后的字符串
import re s = "时间:2019/10/12" ns = re.sub(r'/', '-', s) print(ns)
时间:2019-10-12
re.subn(pattern,replace,string,max,flags = 0)
功能: 使用一个字符串替换正则表达式匹配到的内容
参数: pattern 正则表达式
replace 替换的字符串
string 目标字符串
max 最多替换几处,默认替换全部
flags 功能标志位,扩展正则表达式的匹配
返回值: 替换后的字符串和替换了几处
import re s = "时间:2019/10/12" ns = re.subn(r'/', '-', s, 4) print(ns) ('时间:2019-10-12', 2)
re.finditer(pattern,string,flags = 0)
功能: 根据正则表达式匹配目标字符串内容
参数: pattern 正则表达式
string 目标字符串
flags 功能标志位,扩展正则表达式的匹配
返回值: 匹配结果的迭代器（迭代器用一个取一个，节省内存资源）
import re s = '2019年，建国70周年' pattern = r"\d+" ite = re.finditer(pattern, s) # 方法1 print("ite类型", type(ite)) print(ite.__next__().group()) print(ite.__next__().group()) # 方法2 print("=========") for i in ite: print(i.group())
ite类型 <class 'callable_iterator'>
2019
70
re.fullmatch(pattern,string,flags=0)
功能：完全匹配某个目标字符串
参数：pattern 正则
string 目标字符串
返回值：匹配内容match object
注：该函数可用于密码验证：密码只允许字母和数字，如果返回值为None，则密码不符合规范，含有数字和字母以外的字符
import re m = re.fullmatch(r'\w+',"hello1973") print(m.group())
import re
#验证密码是否符合规范---只含字母和数字 m = re.fullmatch(r'[0-9A-Za-z]+', "hello1973") print(m.group()) hello1973
re.match(pattern,string,flags=0)
功能：匹配某个目标字符串开始位置
参数：pattern 正则
string 目标字符串
返回值：匹配内容match object
import re m = re.match(r'[A-Z]\w*',"Hello1973") print(m.group()) Hello1973
re.search(pattern,string,flags=0)
功能：匹配目标字符串第一个符合内容
参数：pattern 正则
string 目标字符串
返回值：匹配内容match object
import re m = re.search(r'\S+', "好\n嗨 哟") print(m.group()) 好
compile对象属性
【1】 flags ： flags值--------注：不要跟参数flags混淆了
【2】 pattern ： 正则表达式
【3】 groups ： 子组数量
【4】 groupindex ： 捕获组名与组序号的字典
2.match对象的属性方法
1. 属性变量
pos 匹配的目标字符串开始位置
endpos 匹配的目标字符串结束位置
re 正则表达式
string 目标字符串
lastgroup 最后一组的名称
lastindex 最后一组的序号
import re pattern = r"(ab)cd(?P<pig>ef)" regex = re.compile(pattern) # 生成match对象 obj = regex.search("abcdefghi", pos=0, endpos=7) # 演示match对象属性变量 print(obj.pos) print(obj.endpos) print(obj.re) print(obj.string) print(obj.lastgroup) print(obj.lastindex) 0 7 re.compile('(ab)cd(?P<pig>ef)') abcdefghi pig 2
2. 属性方法
span() 获取匹配内容的起止位置
start() 获取匹配内容的开始位置
end() 获取匹配内容的结束位置
groupdict() 获取捕获组字典，组名为键，对应内容为值
groups() 获取子组对应内容
group(n = 0)
功能：获取match对象匹配内容
参数：默认为0表示获取整个match对象内容，如果是序列号或者组名则表示获取对应子组内容
返回值：匹配字符串
import re pattern = r"(ab)cd(?P<pig>ef)" regex = re.compile(pattern) # 生成match对象 obj = regex.search("abcdefghi", pos=0, endpos=7) # 演示match对象方法 print(obj.start()) print(obj.end()) print(obj.span()) print(obj.groupdict()) print(obj.groups()) print(obj.group())#获取整个match对象内容 print(obj.group(1))#获取第一子组内容 print(obj.group('pig'))#获取组名为pig的子组内容 0 6 (0, 6) {'pig': 'ef'} ('ab', 'ef') abcdef ab ef
3.flags参数
1. 使用函数：re模块调用的匹配函数。如：re.compile,re.findall,re.search....
2.作用：扩展丰富正则表达式的匹配功能
3.常用flag
A == ASCII 元字符只能匹配ascii码
import re s = """hello world 你好，北京 """ # 只能匹配ASCII码字符 regex = re.compile(r'\w+', flags=re.A) l = regex.findall(s) print(l)
['Hello', 'world']
I == IGNORECASE 匹配忽略字母大小写
import re s = """Hello world 你好，北京 """ # 匹配时忽略字母大小写 regex = re.compile(r'[A-Z]+', flags=re.I) l = regex.findall(s) print(l) ['Hello', 'world']
S == DOTALL 使 . 可以匹配换行
import re s = """Hello world 你好，北京 """ # 匹配时不可以匹配换行 regex = re.compile(r'.+') l = regex.findall(s) print(l) ['Hello world', '你好，北京']
import re s = """Hello world 你好，北京 """ # 匹配时可以匹配换行 regex = re.compile(r'.+',flags=re.S) l = regex.findall(s) print(l) ['Hello world\n你好，北京\n']
M == MULTILINE 使 ^ $可以匹配每一行的开头结尾位置
import re s = """Hello world 你好，北京 """ # 匹配每一行的开头或者结尾 regex = re.compile(r'world$',flags=re.M) l = regex.findall(s) print(l) ['world']
X == VERBOSE 为正则添加注释
import re s = """Hello world 你好，北京 """ # 匹配每一行的开头或者结尾 pattern = r"""\w+ # 第一部分 \s+ # 第二部分 \w+ # 第三部分 """ regex = re.compile(pattern,flags=re.X) l = regex.findall(s) print(l) ['Hello world']
4. 使用多个flag
方法：使用按位或连接
e.g. ： flags = re.I | re.A
代码实例：
""" 匹配每段ＩＰ地址，要求： 根据输入的每段首单词，获取ＩＰ地址 """ import re import sys port = sys.argv[1] f = open('1.txt') # 找到ｐｏｒｔ段落 while True: data = '' for line in f: if line != '\n': # 不是空行 data += line else: break if not data: # 文件结尾 print("Not Found the %s"%port) break # 匹配字符串首个单词 key_word = re.match(r'\S+',data).group() if port == key_word: # 匹配目标内容 # pattern = r"[0-9a-f]{4}\.[0-9a-f]{4}\.[0-9a-f]{4}" pattern=r"(\d{1,3}\.){3}\d{1,3}/\d+|Unknow" try: address = re.search(pattern,data).group() print(address) except: print("No address") break
