Python 正则表达式详解与 re 模块的使用
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python 正则表达式详解与 re 模块的使用相关的知识，希望对你有一定的参考价值。
强烈推荐
正则表达式在线测试网站： https://regex101.com/
1. 标准库模块 re
更多详情参考官方文档：
Python3中使用re模块支持正则表达式（Regular Expression），需要定义一个用于匹配的模式<br/>（pattern）字符串，以及一个要匹配的字符串（string）。简单的匹配：
In [1]: import re
In [2]: m = re.match(‘My‘, ‘My name is wangy‘)
In [3]: m
Out[3]: <_sre.SRE_Match object; span=(0, 2), match=‘My‘>
In [4]: m.group() # 等价于m.group(0)
Out[4]: ‘My‘
In [5]: m.start(), m.end()
Out[5]: (0, 2)
In [6]: m.span()
Out[6]: (0, 2)其中，My是正则表达式模式，最简单的，只匹配字符My本身。而My name is wangy是想要检查的字符串，re.match()函数用于查看字符串是不是以正则模式开头。
如果你仅仅是做一次简单的文本匹配/搜索操作的话，可以直接使用 re 模块级别的函数，比如re.match。如果你打算做大量的匹配和搜索操作的话，最好先编译正则表达式，然后再重复使用它：
In [1]: import re
In [2]: p = re.compile(‘[a-z]+‘) # [a-z]+ 是正则模式，表示1个或多个小写字母
In [3]: p
Out[3]: re.compile(r‘[a-z]+‘, re.UNICODE)
In [4]: if p.match(‘hello123‘): # p是预编译后的正则模式，它也有match等方法，只是参数不同，不需要再传入正则模式。判断字符串‘hello123‘是否以1个或多个小写字母开头
...: print(‘yes‘)
...: else:
...: print(‘no‘)
...:
yes
In [5]: if p.match(‘123hi‘): # 重用预编译过的正则模式
...: print(‘yes‘)
...: else:
...: print(‘no‘)
...:
no
模块级别的函数会将最近编译过的模式缓存起来，因此并不会消耗太多的性能， 但是如果使用预编译模式的话，你将会减少查找和一些额外的处理损耗。
1.1 使用match()从字符串开头开始匹配
可以使用模块级别的re.match()或预编译模式的p.match()，如果字符串是以正则表达式开头，则表明匹配成功，返回匹配到的对象，比如<_sre.SRE_Match object; span=(0, 2), match=‘My‘>，如果匹配失败，返回None
In [1]: import re
In [2]: m1 = re.match(‘wangy‘, ‘wangy is a handsome boy.‘) # 模块级的match方法
In [3]: m1 # 匹配成功，返回Match对象
Out[3]: <_sre.SRE_Match object; span=(0, 5), match=‘wangy‘>
In [4]: m1.group() # Match对象有group()、start()、end()、span()等方法
Out[4]: ‘wangy‘
In [5]: m2 = re.match(‘mayun‘, ‘wangy is a handsome boy.‘) # 匹配失败
In [6]: type(m2) # 返回None
Out[6]: NoneType
In [7]: p = re.compile(‘wangy‘) # 预编译正则模式也是可以的
In [8]: p.match(‘wangy is a handsome boy.‘) # 调用预编译正则模式的match方法
Out[8]: <_sre.SRE_Match object; span=(0, 5), match=‘wangy‘>1.2 使用search()寻找首次匹配
如果字符串中有多个地方与正则表达式匹配的话，search()方法返回第一次匹配到的结果：
search(pattern, string, flags=0)
Scan through string looking for a match to the pattern, returning
a match object, or None if no match was found.
(END)In [1]: import re
In [2]: s = ‘I wish I may, I wish I might have a dish of fish tonight.‘
In [3]: re.search(‘wish‘, s)
Out[3]: <_sre.SRE_Match object; span=(2, 6), match=‘wish‘>
In [4]: re.search(‘wish‘, s).span()
Out[4]: (2, 6)1.3 使用findall()或finditer()寻找所有匹配
前面两个函数都是查找到一个匹配后就停止，如果要查找字符串中所有的匹配项，可以使用findall()
In [1]: import re
In [2]: text = ‘Today is 11/27/2012. PyCon starts 3/13/2013.‘
In [3]: p = re.compile(‘d+/d+/d+‘)
In [4]: p.findall(text)
Out[4]: [‘11/27/2012‘, ‘3/13/2013‘]findall()方法会搜索文本并以列表形式返回所有的匹配。 如果你想以迭代方式返回匹配，可以使用finditer()方法来代替，比如：
In [5]: iters = p.finditer(text)
In [6]: iters
Out[6]: <callable_iterator at 0x7f94c1703f98>
In [7]: for m in iters:
...: print(m)
...:
<_sre.SRE_Match object; span=(9, 19), match=‘11/27/2012‘>
<_sre.SRE_Match object; span=(34, 43), match=‘3/13/2013‘>
1.4 使用split()按匹配切分
字符串的str.split()方法只适应于非常简单的字符串分割情形， 它并不允许有多个分隔符或者是分隔符周围不确定的空格。 当你需要更加灵活的切割字符串的时候，最好使用 re.split() 方法：
In [1]: import re
In [2]: line = ‘asdf fjdk; afed, fjek,asdf, foo‘
In [3]: re.split(r‘[;,s]s*‘, line) # 正则模式表示 ;或,或空白字符且它们的后面再跟0个或多个空白字符
Out[3]: [‘asdf‘, ‘fjdk‘, ‘afed‘, ‘fjek‘, ‘asdf‘, ‘foo‘]1.5 使用sub()替换匹配
对于简单的字面模式，直接使用字符串的str.replace()方法即可，比如：
In [1]: text = ‘yeah, but no, but yeah, but no, but yeah‘
In [2]: text.replace(‘yeah‘, ‘yep‘)
Out[2]: ‘yep, but no, but yep, but no, but yep‘对于复杂的模式，请使用re模块中的sub()，比如你想将形式为 11/27/2012 的日期字符串改成 2012-11-27 。示例如下：
In [1]: import re
In [2]: text = ‘Today is 11/27/2012. PyCon starts 3/13/2013.‘
In [3]: re.sub(‘(d+)/(d+)/(d+)‘, r‘3-1-2‘, text)
Out[3]: ‘Today is 2012-11-27. PyCon starts 2013-3-13.‘sub()函数中的第一个参数是被匹配的模式，第二个参数是替换模式。反斜杠数字比如3指向前面模式的第3个捕获组，此时要加r指定为原始字符串，否则会被Python自动转义为x03
对于更加复杂的替换，可以传递一个替换回调函数来代替。一个替换回调函数的参数是一个Match对象，也就是match()或者find()返回的对象。使用group()方法来提取特定的匹配部分。回调函数最后返回替换字符串。比如：
In [1]: import re
In [2]: from calendar import month_abbr
In [3]: def change_date(m):
...: mon_name = month_abbr[int(m.group(1))]
...: return ‘{} {} {}‘.format(m.group(2), mon_name, m.group(3))
...:
...:
In [4]: text = ‘Today is 11/27/2012. PyCon starts 3/13/2013.‘
In [5]: p = re.compile(r‘(d+)/(d+)/(d+)‘)
In [6]: p.sub(change_date, text)
Out[6]: ‘Today is 27 Nov 2012. PyCon starts 13 Mar 2013.‘如果除了替换后的结果外，你还想知道有多少替换发生了，可以使用re.subn()来代替。比如：
In [7]: newtext, n = p.subn(r‘3-1-2‘, text)
In [8]: newtext
Out[8]: ‘Today is 2012-11-27. PyCon starts 2013-3-13.‘
In [9]: n
Out[9]: 22. 正则表达式语法
2.1 基本模式
| 语法 | 说明 | 模式示例 | 匹配 |
|---|---|---|---|
| 普通字符 | 普通的文本值代表自身，用于匹配非特殊字符 | ab |
ab |
. |
匹配除换行符
以外的任意一个字符。如果要匹配多行文本，可以指定re.DOTALL标志位，或者(?:.|
)*表示匹配.或
，且作为一个非捕获组，再指定*表示0个或多个前面的非捕获组 |
ab. |
匹配abc或abC，不匹配ab，因为b后面一定要有一个字符 |
|
转义字符，比如要匹配点号.本身，需要转义它.，如果不转义，.将有上一行所示的特殊含义 |
ab. |
匹配ab.com，不匹配abc |
[] |
匹配中括号内的一个字符<br />1. 中括号内的字符可以全部列出，如[abc]表示匹配字符a或b或c<br />2. 也可以使用-表示范围，如[a-z]表示匹配所以小写字母中的任意一个字符<br />3. 本文后续要介绍的如*、+等特殊字符在中括号内将失去特殊含义，如[*+()]表示匹配字符*或+或(或)<br />4. 本文后续要介绍的特殊字符集如d、w等也可以放入此中括号内，继续保持特殊含义<br />5. 如果中括号内的字符序列前面有一个^，表示不匹配中括号内的任何一个字符，如[^0-9]表示不匹配数字，a[^0-9]c不匹配a1c，但会匹配abc<br />6. 要匹配字符]，可以转义它，或者把它放在中括号内的首位，如a[()[]{}]c或a[]()[{}]c都可以匹配到a]c |
a[0-9]b |
a1b或a2b |
2.2 特殊字符集
| 语法 | 说明 | 模式示例 | 匹配 |
|---|---|---|---|
d |
匹配任意一个数字字符，等价于[0-9] |
adb |
a1b |
D |
匹配任意一个非数字字符，等价于[^0-9] |
aDb |
aAb |
s |
匹配任意一个空白字符，等价于[
fv] |
asb |
a b |
S |
匹配任意一个非空白字符，等价于[^
fv] |
aSb |
aAb |
w |
匹配任意一个 alphanumeric character，等价于[a-zA-Z0-9_] |
awb |
azb或aZb或a1b或a_b |
W |
匹配任意一个 non-alphanumeric character，等价于[^a-zA-Z0-9_] |
aWb |
a-b或a b |
这些字符集也可以放入[]中，比如a[ds]b表示匹配字符a和字符b，且中间有一个数字字符或空白字符，所以它会匹配a1b或a b等
Python的string模块中预先定义了一些可供我们测试用的字符串常量。我们将使用其中
的printable字符串，它包含 100 个可打印的 ASCII 字符，包括大小写字母、数字、空格
符以及标点符号：
In [1]: import string
In [2]: printable = string.printable
In [3]: len(printable)
Out[3]: 100
In [4]: printable[:50]
Out[4]: ‘0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMN‘
In [5]: printable[50:]
Out[5]: ‘OPQRSTUVWXYZ!"#$%&‘()*+,-./:;<=>[email protected][\]^_`{|}~
x0bx0c‘
printable 中哪些字符是数字？
In [7]: re.findall(‘d‘, printable)
Out[7]: [‘0‘, ‘1‘, ‘2‘, ‘3‘, ‘4‘, ‘5‘, ‘6‘, ‘7‘, ‘8‘, ‘9‘]哪些字符是数字、字符或下划线？
In [8]: print(re.findall(‘w‘, printable), end=‘‘)
[‘0‘, ‘1‘, ‘2‘, ‘3‘, ‘4‘, ‘5‘, ‘6‘, ‘7‘, ‘8‘, ‘9‘, ‘a‘, ‘b‘, ‘c‘, ‘d‘, ‘e‘, ‘f‘, ‘g‘, ‘h‘, ‘i‘, ‘j‘, ‘k‘, ‘l‘, ‘m‘, ‘n‘, ‘o‘, ‘p‘, ‘q‘, ‘r‘, ‘s‘, ‘t‘, ‘u‘, ‘v‘, ‘w‘, ‘
x‘, ‘y‘, ‘z‘, ‘A‘, ‘B‘, ‘C‘, ‘D‘, ‘E‘, ‘F‘, ‘G‘, ‘H‘, ‘I‘, ‘J‘, ‘K‘, ‘L‘, ‘M‘, ‘N‘, ‘O‘, ‘P‘, ‘Q‘, ‘R‘, ‘S‘, ‘T‘, ‘U‘, ‘V‘, ‘W‘, ‘X‘, ‘Y‘, ‘Z‘, ‘_‘]哪些属于空格符？
In [10]: re.findall(‘s‘, printable)
Out[10]: [‘ ‘, ‘ ‘, ‘
‘, ‘
‘, ‘x0b‘, ‘x0c‘]d和w不仅会匹配ASCII字符，还可以匹配Unicode字符：
In [11]: s = ‘abc‘ + ‘-/*‘ + ‘u00ea‘ + ‘u0115‘
In [12]: re.findall(‘w‘, s)
Out[12]: [‘a‘, ‘b‘, ‘c‘, ‘ê‘, ‘?‘]2.3 数量
说明： 表格中 斜体 的 prev 表示 1. 单个字符如
a2. 或者复杂的表达式如(abc)或(.| )（这是分组的功能，见1.5）
| 语法 | 说明 | 模式示例 | 匹配 |
|---|---|---|---|
prev * |
匹配0个或多个 prev，尽可能多地匹配，贪婪模式，等价于{0,} |
ab* |
a或ab或abb或abbb，注意是匹配字符a后面跟0个或多个字符b |
| prev *? | 匹配0个或多个 prev，尽可能少地匹配，非贪婪模式 |
ab*? |
a，非贪婪模式下匹配0个字符b |
prev + |
匹配1个或多个 prev，尽可能多地匹配，贪婪模式，等价于{1,} |
ab+ |
ab或abb或abbb |
| prev +? | 匹配1个或多个 prev，尽可能少地匹配，非贪婪模式 |
ab+? |
ab，非贪婪模式下匹配1个字符b |
prev ? |
匹配0个或1个 prev，尽可能多地匹配，贪婪模式，等价于{0,1} |
ab? |
a或ab |
| prev ?? | 匹配0个或1个 prev，尽可能少地匹配，非贪婪模式 |
ab?? |
a，非贪婪模式下匹配0个字符b |
prev {m} |
匹配m个连续的 prev |
a{3} |
aaa |
prev {m,n} |
匹配m到n个连续的 prev ，尽可能多地匹配，贪婪模式。n可选，如果不指定，则表示m到无穷多个连续的 prev |
a{3,5} |
aaa或aaaa或aaaaa |
| prev {m,n}? | 匹配m到n个连续的 prev ，尽可能少地匹配，非贪婪模式 |
a{3,5}? |
aaa |
可以在*或+或?的后面再添加一个?，此时表示非贪婪模式匹配，Python中的正则表达式默认是贪婪模式匹配，它会在满足整个表达式要求的前提下，尽可能多地去匹配字符，具体效果见后面的示例
2.4 边界
| 语法 | 说明 | 模式示例 | 匹配 |
|---|---|---|---|
^ prev |
匹配以 prev 开头的字符串（脱字符）。多行文本中，默认^只会匹配第一行的开头位置，如果设置了re.MULTILINE标志位，则^也会匹配换行符之后的开头位置 |
^ab |
abcd |
prev $ |
匹配以 prev 结尾的字符串。多行文本中，默认$只会匹配最后一行的结尾位置，如果设置了re.MULTILINE标志位，则$也会匹配换行符之前的结尾位置 |
ab$ |
只匹配ab。如果是.*ab$则会匹配123ab，否则使用ab |
|
单词边界。Matches the empty string, but only at the beginning or end of a word. A word is defined as a sequence of word characters. Note that formally, w and a W character (or vice versa), or between w and the beginning/end of the string. 注意： x08表示退格，需要将整个正则表达式指定为原始字符串（在前面加个r），即r‘foo‘ |
r‘foo‘<br />请使用re.findall()测试 |
匹配foo或foo.或(foo)或bar foo baz，但不匹配foobar或foo3 |
B |
非单词边界。Matches the empty string, but only when it is not at the beginning or end of a word. B is just the opposite of |
pyB |
匹配python或py3或py2，但不匹配py或py.或py! |
A |
Matches only at the start of the string. | Aab |
abcde |
|
Matches only at the end of the string. | ab |
123ab |
2.5 分组
2.6 扩展语法
3. 实例
3.1 字符串忽略大小写的搜索替换
3.2 最短匹配模式： 非贪婪
3.3 多行匹配
详情请移步我的个人网站： http://www.madmalls.com/blog/post/regular-expression-in-python3/
以上是关于Python 正则表达式详解与 re 模块的使用的主要内容，如果未能解决你的问题，请参考以下文章