学习正则表达式在python中的应用

Posted 2020-09-24

目的：对文本的处理，正则表达式的功能很强大，可以很巧妙的过滤、匹配、获取想要的字符串，是必须学习的技能，这里只记录常用的写法，详细文档可以参看官方帮助文档。

环境：ubuntu 16.04    python 3.5

在python中使用正则表达式首先要导入re模块

import re

在re模块中有几个常用的函数：

re.compile(‘value‘)

它会返回一个正则表达式regex对象，作用是对预编译提速，且第二个参数支持一些方法，把它返回给一个变量方便重复使用，函数有两个参数：匹配表达式和第二个可选参数：

匹配表达式即，正则表达式的写法，因为表达式中常用\符号，所以一般第一个参数下载r‘‘内，r表示引号内为自然字符，python不对内部做转义，这样正则表达式用转义时不用多加一个\，如：r‘\d‘，\d在正则中是匹配一个数字，如果没有r则要写成‘\\d‘，这样很麻烦且不易阅读。

最简单的匹配：r‘haha‘匹配字符‘haha‘，但不匹配‘hehe‘，可以使用通配符，下面介绍：

常用通配符：

\d表示一个数字

\w表示字母、数字、下划线中任意一个，且在python3中支持匹配一个汉字。

\s表示空格、制表符和换行中任意一个。

\D, \W, \S是他们的非模式。

^匹配字符串起始位置，当^在方括号内是表示非模式，[^a-z]小写26个字母以外。

$匹配字符串结尾位置。

\b表示一个字符旁空格的位置，‘it is a good job‘, \bgoog\b匹配good,而不会匹配goods等其他。

| 竖杠表示或，如\d|\d{2}，匹配一个数字或两个数字。

自定义通配符：

[a-z]表示小写a到z的26个字母中任意一个

[]中括号模式可以包含很多，比如：[a-zA-Z0-9_]这个就是\w（只在python2中相等），还可以想这样[aeiou]只包含想要匹配的，或者特殊符号[._-]，需要转义的要加上\。

以上都是只匹配符合的一个，下面学习数量：

匹配最少：{5} 表示5次，{1,5}表示1次到5次都可以，{1,}省略后面的表示至少1次。

贪婪匹配：+等同于{1,}，*表示可无或更多，？表示一次或更多，.点表示就是\S，这里都会匹配多的结果，因为是贪婪模式。

限制贪婪：在贪婪模式后面加上？表示限制贪婪，匹配最少,+会尽量匹配多的，+？匹配一个。

numRegex = re.compile(r‘\d{11}‘)
# 生成匹配11位数字的正则对象，\d是数字，{11}代表11次

re.compile()的第二个参数有：re.VERBOSE, re.IGNORECASE和re.DOTALL，后面要大写。

re.VERBOSE表示匹配中可以多行且有注释，在复杂的正则对象中使用。

re.compile(r‘‘‘(
    \d        #匹配一个数字
    \w        #匹配一个字符
)‘‘‘, re.VERBOSE)

re.IGORECASE表示匹配不区分大小写：

re.compile(r‘[a-z]‘, re.IGORECASE)

这个即可以匹配a，也可以匹配A。

re.DOTALL表示允许.匹配包括\s的内容

re.compile(r‘.*‘, re.DOTALL)

匹配所以内容。

匹配方法：search(), match(), findall(), finditer()

这些是匹配规则查找方法，也可以直接把正则表达式写在他们的第一个参数的位置（测试时可以，正式编写不推荐，理由在上面的compile中）而不用compile()，第二个参数是需要匹配的字符串，如

re.search(r‘\d+‘, ‘aa123abc‘)

返回123

search()方法：

search()方法进行全字符搜索，返回的是第一个符合条件的match对象，并且它只返回一个，即使后面有其他符合条件的，也不处理，没有则返回None。

aa = re.compile(r‘\d\d\d+‘)
bb = aa.search(‘aa12345abc678‘)

bb得到返回的包含12345的match对象，而没有678

match()方法：

match()方法从字符串开始处就匹配，且只返回一个符合条件的match对象，相当于正则表达式以r‘^开始，匹配也只返回开始部分，没有则返回None。

aa = re.compile(r‘\d+‘)
bb = aa.search(‘123ab45‘)

bb得到返回的包含123的match对象,没有45，且如果字符串变成‘a123ab45‘，则返回None。

findall()方法：

findall()方法进行全字符搜索，返回所有符合条件的值，然后组成列表，即返回一个列表对象，没有则为空列表。

aa = re.compile(r‘\d+‘)
bb = aa.findall(‘a123b45c678‘)

bb得到返回的的列表[‘123‘, ‘45‘, ‘678‘]

finditer()方法：

finditer()方法进行全字符串搜索，返回所有符合条件的match对象，然后组成迭代器，用for方法可以看出迭代器里面是match对象。

这里match对象有group(), group(index)和groups()方法：

可使用它们调用返回的match对象，group()和group(0)都是得到母值，groups()返回所有group(index)组成的元组。

分组和捕获：

在正则表达式中使用圆括号()会产生分组，每个组都是元素，返回一个元组对象，可用group()获取对于序号的元素：

numRegex = re.compile(r‘(\d)(\d)(\d)‘)

当圆括号内左边使用?:表示不分组、不捕获，如：(?:\d)匹配但不分组也不捕获，不捕获则不生成match对象。

替换方法sub():

上面已经学习了查找，这个是替换方法，有两种常用方式，我称为全部隐藏替换和部分隐藏替换：

全部隐藏替换：

aa = re.compile(r‘engineer (\w)\w+‘)
bb = aa.sub(r‘XX‘, ‘engineer Ricky gave engineer Tom an apple‘)

bb得到字符串‘XX gave XX an apple‘

部分隐藏替换：

aa = re.compile(r‘engineer (\w)\w+‘)
cc = aa.sub(r‘\1**‘, ‘engineer Ricky gave engineer Tom an apple‘)

cc得到字符串‘R** gave T** an apple‘

常用的正则表达式举例：

r‘^0\d{2,3}-\d{8}‘      匹配固定电话，如：0755-87226688，010-85332765

本文出自 “RickyHuL” 博客，请务必保留此出处http://rickyh.blog.51cto.com/10934856/1941536