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]: 2
2. 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
a
2. 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, is defined as the boundary between a w and a W character (or vice versa), or between w and the beginning/end of the string. 注意: 在Python中默认会被转义为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