python中re模块的使用(正则表达式)

一、什么是正则表达式?

  • 正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
  • 正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。

二、正则表达式的匹配规则

1.表示字符

  • ·:匹配任意除换行符’\n’外的字符,但是在DOTALL模式中也可以匹配换行符’\n’
  • \:转义字符,使后一个字符改变原来的意思,如果字符串中想匹配*,可以使用\*,也可以使用字符集[*]
  • […]:字符集,匹配字符集中列出的任意字符。字符可以逐个列出,也可以给出范围,比如[a-z],[0-9],第一个字符是^表示取反。所有特殊字符在字符集中都失去其原有的特殊含义。如果想使用’]’,’-‘或者’^’,可以在前面加上\,或者将]或者-放在首位,将^放在非首位

2.预定义字符集(可写在字符集[]中)

  • \d:数字[0-9]
  • \D:非数字[^0-9]
  • \s:空白字符[<空格>,\t,\n,\r,\f,\v]
  • \S:非空白字符[^\s]
  • \w:单词字符[a-zA-Z0-9_]
  • \W:非单词字符[^\w]

3.表示数量

  • *:匹配前一个字符0次或无限次,即可有可无
  • +:匹配前一个字符出现1次或者无限次,即至少有1次
  • {m}:匹配前一个字符出现m次
  • {m,}:匹配前一个字符至少出现m次
  • {,n}:匹配前一个字符至多出现n次
  • {m,n}:匹配前一个字符出现从m到n次

4.表示边界

  • ^:匹配字符串开头。在多行模式中匹配每一行的开头
  • $:匹配字符串结尾。在多行模式中匹配每一行的结尾
  • \A:仅匹配字符串开头
  • \Z:仅匹配字符串结尾
  • \b:匹配单词边界,\w和\W之间
  • \B:匹配非单词边界,[^\b]

5.匹配分组

  • |:匹配左右任意一个表达式
  • (…):被括起来的表达式作为一个分组,从表达式左边开始,每遇到一个'(‘,编号+1。分组表达式作为一个整体,后面可接数量词。表达式中的|仅在该分组中有效
  • (?P<name>):分组,除了原有的编号以外,再给分组取一个别名
  • (?P=<name>):引用别名为<name>的分组匹配到的字符串
  • \<number>:引用编号为<number>的分组匹配到的字符串

6.特殊构造(不作为分组)

  • (?:…):(…)的不分组版本,用于使用’|’或后面接上数量词,比如(?:[1-9]?\d|100)表示匹配数字0-100,(?:abc){2}表示匹配abcabc
  • 剩下的一些不常见,略

三、re模块

在 Python中,我们可以使用内置的 re 模块来使用正则表达式。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。Python里的原生字符串很好地解决了这个问题,只需要在字符串前面加上’r’前缀。

re模块的一般使用步骤:

  1. 使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象

  2. 通过 Pattern 对象提供的一系列方法对文本进行匹配查找

1.compile函数

  • compile 函数用于编译正则表达式,生成一个 Pattern 对象。必须传入的第一个参数是’规则字符串’,另外可以通过第二个参数(flags)来指定匹配模式。
  • 常见的匹配模式:
  1. re.I(re.IGNORECASE): 忽略大小写
  2. re.M(MULTILINE): 多行模式,改变’^’和’$’的行为
  3. re.S(DOTALL): 点任意匹配模式,改变’.’的行为,可以匹配’\n’
    import re
    
    # 将正则表达式编译成 Pattern对象,并指定匹配模式为点任意匹配模式
    pattern = re.compile(r'\d+',re.S)

2.Pattern 对象的一些常用方法

  • match方法

    • match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。
    • 它的一般使用形式如下:
      match(string[, pos[, endpos]])

      其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。

    • 当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
    • Match对象常用的方法:
      • group(([group1, …]):用于获得一个或多个分组匹配的字符串,如果传入多个分组编号,则返回的结果为元组形式。当要获得整个匹配的子串时,可直接使用 group() 或 group(0);
      • groups():获得所有分组匹配到的字符串所构成的元组
      • start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;
      • end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;
      • span([group]) 方法返回 (start(group), end(group)),获取分组匹配的子串在整个字符串中的起始和结束位置构成的元组。
      • 通过一些例子来熟悉一下:
        In [1]: import re
        
        In [2]: pattern = re.compile(r"(\w+) (\d+)")
        
        In [3]: m = pattern.match('hello 123')
        
        In [4]: m.group(1)
        Out[4]: 'hello'
        
        In [5]: m.group(1,2)
        Out[5]: ('hello', '123')
        
        In [6]: m.group()
        Out[6]: 'hello 123'
        
        In [7]: m.groups()
        Out[7]: ('hello', '123')
        
        In [8]: m.start(1)
        Out[8]: 0
        
        In [9]: m.start(2)
        Out[9]: 6
        
        In [10]: m.end(1)
        Out[10]: 5
        
        In [11]: m.span(1)
        Out[11]: (0, 5)
        
        In [12]: m.span(2)
        Out[12]: (6, 9)
  • search方法

    • search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果
    • 它的一般使用形式如下:
      search(string[, pos[, endpos]])

      其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

    • 看看例子
      >>> import re
      >>> pattern = re.compile('\d+')
      >>> m = pattern.search('one12twothree34four')  # 这里如果使用 match 方法则不匹配
      >>> m
      <_sre.SRE_Match object at 0x10cc03ac0>
      >>> m.group()
      '12'
      >>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间
      >>> m
      <_sre.SRE_Match object at 0x10cc03b28>
      >>> m.group()
      '34'
      >>> m.span()
      (13, 15)
  • findall方法

    • 上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。
    • findall 方法的使用形式如下:
      findall(string[, pos[, endpos]])

      其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

    • findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。
    • 看个例子:
      import re
      
      #re模块提供一个方法叫compile模块,提供我们输入一个匹配的规则
      #然后返回一个pattern实例,我们根据这个规则去匹配字符串
      pattern = re.compile(r'\d+\.\d*')
      
      #通过partten.findall()方法就能够全部匹配到我们得到的字符串
      result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
      
      #findall 以 列表形式 返回全部能匹配的子串给result
      for item in result:
          print(item)

      运行结果:

      123.141593
      3.15
  • finditer方法

    • finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。
    • 举例:
      In [1]: import re
      
      In [2]: pattern = re.compile(r"\d+")
      
      In [3]: iter = pattern.finditer('hello123world456  haha789')
      
      In [4]: iter
      Out[4]: <callable_iterator at 0x7fb824fe2a90>
      
      In [5]: for m in iter:
         ...:     print(m.group())
         ...: 
      123
      456
      789
  • split方法

    • split 方法按照能够匹配的子串将字符串分割后返回列表
    • 它的使用形式如下:
      split(string[, maxsplit])

      其中,maxsplit 用于指定最大分割次数,不指定将全部分割。

    • 举个例子:
      In [1]: import re
      
      In [2]: pattern = re.compile(r"[\d\s]")
      
      In [3]: pattern.split('hello1word2aaa bbb')
      Out[3]: ['hello', 'word', 'aaa', 'bbb']
      
      In [4]: pattern.split('hello1word2aaa bbb',2)
      Out[4]: ['hello', 'word', 'aaa bbb']
  • sub方法

    • sub 方法用于替换。
    • 它的使用形式如下:
      sub(repl, string[, count])

      其中,repl 可以是字符串也可以是一个函数:

      • 如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;
      • 如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
      • count 用于指定最多替换次数,不指定时全部替换。
        In [1]: import re
        
        In [2]: pattern = re.compile(r'\d+')
        
        In [3]: pattern.sub('100','hello20 world30')#将所有匹配到的数据替换成100
        Out[3]: 'hello100 world100'
        
        In [4]: pattern.sub('100','hello20 world30',1)#只替换第一个数据为100
        Out[4]: 'hello100 world30'
        
        In [5]: def add(temp):
           ...:    '''将匹配到的数据加1'''
           ...:     strNum = temp.group()
           ...:     num = int(strNum)+1
           ...:     return str(num)
        In [6]: pattern.sub(add,'hello20 world30')#将所有匹配到的数据加1
        Out[6]: 'hello21 world31'
        
        In [7]: pattern.sub(add,'hello20 world30',1)#只将匹配到的第一个数据加1
        Out[7]: 'hello21 world30'

四、贪婪模式与非贪婪模式

  • 贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配
  • 非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配
  • 在表示数量的”*”,”?”,”+”,”{m,n}”后面加上?,使贪婪变成非贪婪
    In [1]: import re
    
    In [2]: pattern = re.compile(r'\d+')
    
    In [3]: pattern.match('123456789').group()
    Out[3]: '123456789'
    
    In [4]: pattern = re.compile(r'\d+?')#关闭贪婪模式
    
    In [5]: pattern.match('123456789').group()#非贪婪模式下,?只匹配一个字符
    Out[5]: '1'
    
    In [6]: pattern = re.compile(r'<div>.*</div>')
    
    In [7]: pattern.match('<div>test1</div>bb<div>test2</div>').group()
    Out[7]: '<div>test1</div>bb<div>test2</div>'
    
    In [8]: pattern = re.compile(r'<div>.*?</div>')#关闭贪婪模式
    
    In [9]: pattern.match('<div>test1</div>bb<div>test2</div>').group()
    Out[9]: '<div>test1</div>'

     

Tags: