python之基础篇——正则表达式RE模块

Posted 2020-08-27

防伪码：忘情公子著

  正则表达式（RE）是一种小型的、高度专业化的编程语言，在python中，它通过re模块实现。

  正则表达式可以实现以下功能：

    为想要匹配的相应字符串集指定规则；

    能够匹配不定长的字符集；

    可以指定正则表达式的一部分的重复次数；

    可以使用RE以各种方式来修改或分割字符串

  正则表达式模式被编译成一系列的字节码，然后由C编写的匹配引擎执行。

  字符匹配：

    普通字符：

      大多数字母和字符一般都会和自身匹配。

      如正则表达式test会和字符串"test"完全匹配

    元字符：

      []：

        常用来指定一个字符集：[abc]或[a-z]

        元字符在字符集中不起作用：[akm$]

        补集匹配不在区间范围内的字符：[^a-z]

      ^：

        匹配行首。除非设置MULTILINE标志，它只是匹配字符串的开始

        在MULTILINE模式里，它也可以直接匹配字符串中的每个换行

      $：

        匹配行尾，行尾被定义为要么是字符串尾，要么是一个换行字符后面的任何位置

      \：

        反斜杠后面可以加不同的字符以表示不同特殊意义

        也可以用于取消所有的元字符：\[或\\

        \d：匹配任何十进制数：它相当于[0-9]

        \D：匹配任何非数字字符：它相当于[^0-9]

        \s：匹配任何空白字符：它相当于[\t\n\r\f\v]

        \S：匹配任何非空白字符：它相当于[^\t\n\r\f\v]

        \w：匹配任何字母数字字符：它相当于[a-zA-Z0-9_]

        \W：匹配任何非字母数字字符：它相当于[^a-zA-Z0-9_]

      *：

        指定前一个字符可以被匹配零次或更多次，而不是只有一次。

        匹配引擎会试着重复尽可能多的次数（不超过整数界定范围，20亿）

      +：

        表示匹配至少一次或多次

      ?：

        匹配一次或零次：你可以认为它用于标识某事物是可选的

        加在重复（+和*）的后面，可以启用懒惰模式，实现最小匹配

      {m,n}：

        其中m和n是十进制整数。该限定符的意思是至少有m个重复、至多到n个重复

        忽略m会认为下边界是0，而忽略n的结果将是上边界为无穷大（实际上是20亿）

        {0,}等同于*，{1}等同于+，而{0,1}则与?相同。若可以的话，最好使用*、+或?

      ()：分组

        分组可以把一些数据划分为一个整体

        当用findall作匹配时如果有分组则只返回分组中的数据

        email = r‘\[email protected]\w+\.(com|cn|com\.cn)‘

  使用正则表达式：

    re模块提供了一个正则表达式引擎的接口re.compile()函数，可将REstring编译成对象并用它们来进行匹配。

    编译后的正则要比没编译而直接解释的正则处理速度要快很多。

    编译正则表达式：

In [1]: import re

In [2]: phone_number = re.compile(‘^\d{3,4}-?\d{8}$‘)

In [3]: print phone_number
<_sre.SRE_Pattern object at 0x7f672ed46300>

In [4]: phone_number.findall(‘010-12345678‘)
Out[4]: [‘010-12345678‘]

In [5]: phone_number.findall(‘010-123456789‘)
Out[5]: []

In [6]: phone_number.findall(‘0120-12345678‘)
Out[6]: [‘0120-12345678‘]

  re.compile()也接受可选的标志参数，常用来实现不同的特殊功能和语法变更。

    p = re.compile(r‘ab*‘,re.IGNORECASE)

  编译标志-flags：后面的单个字母可以代替前面的单词，如re.S可以代替re.DOTALL

    DOTALL,S：使"."点号匹配包括换行在内的所有字符。

    IGNORECASE,I：使匹配对大小写不敏感

    LOCALE,L：使本地化识别（）匹配.法语等

    MULTILINE,M：多行匹配，影响^和$。适用于要匹配的文本分布在多行的情况下。

    VERBOSE,X：能够使用REs的verbose状态，使之被组织得更清晰易懂。适用于正则表达式分布在多行的情况下。

  反斜杠（\）的麻烦：

    字符串前加‘r‘反斜杠就不会被任何特殊方式处理

    \section：要匹配的字符串

    \\section：为re.compile取消反斜杠的特殊意义

    "\\\\section"：为"\\section"的字符串实值（string literals）取消反斜杠的特殊意义

  执行匹配常用的函数：

    ‘RegexObject‘实例有一些方法和属性，完整的列表可查阅Python Library Reference

    match()：决定RE是否在字符串刚开始的位置匹配

    search()：扫描字符串，找到这个RE匹配的位置，无论在字符串的什么位置均能找到

    findall()：找到RE匹配的所有子串，并把它们作为一个列表返回

    finditer()：找到RE匹配的所有子串，并把它们作为一个迭代器返回

   注意：若未匹配到则match()和search()将返回None。若匹配成功则返回一个‘MatchObject‘实例对象

  MatchObject实例方法：

    group()：返回被RE匹配的字符串

    start()：返回匹配开始的位置

    end()：返回匹配结束的位置

    span()：返回一个元组包含匹配（开始，结束）的位置

  实际程序中，最常见的方法是将‘MatchObject‘保存在一个变量里，然后检查它是否为None。

#!/usr/bin/python
p = re.compile(...)
m = p.match(‘string goes here‘)
if m:
    print ‘Match found: ‘,m.group()
else:
    print ‘No match‘

  模块级函数：

    re模块也提供了顶级函数调用，如match()、search()、sub()、subn()、split()、findall()等

    re.sub(pattern, repl, string)：

      给定一个正则表达式pattern，将其作用于string字符串，并将匹配的内容修改成repl

      如：re.sub(r‘w...d‘,‘python‘,‘hello world‘)，此句会实现将hello world修改成hello python

    re.split(pattern, string)：

      给定一个正则表达式pattern，将其作用于string实现分割

      如：re.split(r‘[\+\-\*]‘,‘123+456-789*000‘)，以+-*为分割符分割后面的字符串

本文出自 “忘情居” 博客，请务必保留此出处http://itchentao.blog.51cto.com/5168625/1891046