Python之re模块实现正则表达式

Posted 2022-05-21 ZONG_XP

一、正则表达式

re模块是python独有的匹配字符串的模块，该模块中提供的很多功能是基于正则表达式实现的，而正则表达式是对字符串进行模糊匹配，提取自己需要的字符串部分，他对所有的语言都通用。注意：

• re模块是python独有的
• 正则表达式所有编程语言都可以使用
• re模块、正则表达式是对字符串进行操作

因为，re模块中的方法大都借助于正则表达式，故先学习正则表达式。

（一）常用正则

1、字符组

在同一个位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示

正则	待匹配字符	匹配 结果	说明
[0123456789]	8	True	在一个字符组里枚举合法的所有字符，字符组里的任意一个字符 和"待匹配字符"相同都视为可以匹配
[0123456789]	a	False	由于字符组中没有"a"字符，所以不能匹配
[0-9]	7	True	也可以用-表示范围,[0-9]就和[0123456789]是一个意思
[a-z]	s	True	同样的如果要匹配所有的小写字母，直接用[a-z]就可以表示
[A-Z]	B	True	[A-Z]就表示所有的大写字母
[0-9a-fA-F]	e	True	可以匹配数字，大小写形式的a～f，用来验证十六进制字符

 2、字符

元字符	匹配内容
.	匹配除换行符以外的任意字符
\\w	匹配字母或数字或下划线
\\s	匹配任意的空白符
\\d	匹配数字
\\n	匹配一个换行符
\\t	匹配一个制表符
\\b	匹配一个单词的结尾
^	匹配字符串的开始
$	匹配字符串的结尾
\\W	匹配非字母或数字或下划线
\\D	匹配非数字
\\S	匹配非空白符
a|b	匹配字符a或字符b
()	匹配括号内的表达式，也表示一个组
[...]	匹配字符组中的字符
[^...]	匹配除了字符组中字符的所有字符

3、量词

量词	用法说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
n	重复n次
n,	重复n次或更多次
n,m	重复n到m次

（二）正则表达式的使用

1、. ^ $

正则	待匹配字符	匹配结果	说明
a.	abacad	abacad	匹配所有"a."的字符
^a.	abacad	ab	只从开头匹配"a."
a.$	abacad	ad	只匹配结尾的"a.$"

 2、* + ?

正则	待匹配字符	匹配结果	说明
a.?	abefacgad	ab ac ad	?表示重复零次或一次，即只匹配"a"后面一个任意字符。
a.*	abefacgad	abefacgad	*表示重复零次或多次，即匹配"a"后面0或多个任意字符。
a.+	abefacgad	abefacgad	+表示重复一次或多次，即只匹配"a"后面1个或多个任意字符。
a.1,2	abefacgad	abe acg ad	1,2匹配1到2次任意字符。

注意：前面的*,+,?等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配

正则	待匹配字符	匹配结果	说明
a.*?	abefacgad	a a a	惰性匹配

 3、字符集［］［^］

正则	待匹配字符	匹配结果	说明
a[befcgd]*	abefacgad	abef acg ad	表示匹配"a"后面[befcgd]的字符任意次
a[^f]*	abefacgad	abe acgad	表示匹配一个不是"f"的字符任意次
[\\d]	412a3bc	4 1 2 3	表示匹配任意一个数字，匹配到4个结果
[\\d]+	412a3bc	412 3	表示匹配任意个数字，匹配到2个结果

 4、分组 ()与 或 ｜［^］

身份证号码是一个长度为15或18个字符的字符串，如果是15位则全部由数字组成，首位不能为0；如果是18位，则前17位全部是数字，末位可能是数字或x，下面我们尝试用正则来表示：

正则	待匹配字符	匹配结果	说明
^[1-9]\\d13,16[0-9x]$	110101198001017032	110101198001017032	表示可以匹配一个正确的身份证号
^[1-9]\\d13,16[0-9x]$	1101011980010170	1101011980010170	表示也可以匹配这串数字，但这并不是一个正确的身份证号码，它是一个16位的数字
^[1-9]\\d14(\\d2[0-9x])?$	1101011980010170	False	现在不会匹配错误的身份证号了 ()表示分组，将\\d2[0-9x]分成一组，就可以整体约束他们出现的次数为0-1次
^([1-9]\\d16[0-9x]|[1-9]\\d14)$	110105199812067023	110105199812067023	表示先匹配[1-9]\\d16[0-9x]如果没有匹配上就匹配[1-9]\\d14

 5、转义符 \\

在正则表达式中，有很多有特殊意义的是元字符，比如\\n和\\s等，如果要在正则中匹配正常的"\\n"而不是"换行符"就需要对"\\"进行转义，变成'\\\\'。

在python中，无论是正则表达式，还是待匹配的内容，都是以字符串的形式出现的，在字符串中\\也有特殊的含义，本身还需要转义。所以如果匹配一次"\\n",字符串中要写成'\\\\n'，那么正则里就要写成"\\\\\\\\n",这样就太麻烦了。这个时候我们就用到了r'\\n'这个概念，此时的正则是r'\\\\n'就可以了。

正则	待匹配字符	匹配 结果	说明
\\n	\\n	False	因为在正则表达式中\\是有特殊意义的字符，所以要匹配\\n本身，用表达式\\n无法匹配
\\\\n	\\n	True	转义\\之后变成\\\\，即可匹配
"\\\\\\\\n"	'\\\\n'	True	如果在python中，字符串中的'\\'也需要转义，所以每一个字符串'\\'又需要转义一次
r'\\\\n'	r'\\n'	True	在字符串之前加r，让整个字符串不转义

6、贪婪匹配

贪婪匹配：在满足匹配时，匹配尽可能长的字符串，默认情况下，采用贪婪匹配

正则	待匹配字符	匹配结果	说明
<.*>	<script>... <script>	<script>... <script>	默认为贪婪匹配模式，会匹配尽量长的字符串
<.*?>	<script>... <script>	<script> <script>	加上？为将贪婪匹配模式转为非贪婪匹配模式，会匹配尽量短的字符串

几个常用的非贪婪匹配Pattern

*? 重复任意次，但尽可能少重复
+? 重复1次或更多次，但尽可能少重复
?? 重复0次或1次，但尽可能少重复
n,m? 重复n到m次，但尽可能少重复
n,? 重复n次以上，但尽可能少重复

.*?的用法

. 是任意字符
* 是取 0 至 无限长度
? 是非贪婪模式。
何在一起就是 取尽量少的任意字符，一般不会这么单独写，他大多用在：
.*?x

就是取前面任意长度的字符，直到一个x出现

二、re 模块

（一）常量、属性

1、re.A（re.ASCII）

让\\w，\\W，\\b，\\B，\\d，\\D，\\s和\\S 执行ASCII-只匹配完整的Unicode匹配代替。这仅对Unicode模式有意义，而对于字节模式则忽略。

2、re.I（re.IGNORECASE）

执行不区分大小写的匹配；类似的表达式也[A-Z]将匹配小写字母。

3、re.L（re.LOCALE）

让\\w，\\W，\\b，\\B和区分大小写的匹配取决于当前的语言环境。该标志只能与字节模式一起使用。不建议使用此标志，因为语言环境机制非常不可靠，它一次只能处理一种“区域性”，并且仅适用于8位语言环境。默认情况下，Python 3中已为Unicode（str）模式启用了Unicode匹配，并且能够处理不同的语言环境/语言。

4、re.M（re.MULTILINE）

指定时，模式字符'^'在字符串的开头和每行的开头（紧随每个换行符之后）匹配；模式字符''在字符串的末尾和每行的末尾（紧接在每个换行符之前）匹配。默认情况下，'^' 仅在字符串的开头，字符串''在字符串的末尾和每行的末尾（紧接在每个换行符之前）匹配。默认情况下，'^' 仅在字符串的开头，字符串''的末尾和字符串末尾的换行符（如果有）之前立即匹配。

5、re.S（re.DOTALL）

使'.'特殊字符与任何字符都匹配，包括换行符；没有此标志，'.'将匹配除换行符以外的任何内容。

（二）常用方法

1、re.compile（pattern，flags = 0 ）

将正则表达式模式编译为正则表达式对象，可使用match()，search()以及下面所述的其他方法将其用于匹配

>>> prog = re.compile('\\d2') # 正则对象

>>> prog.search('12abc')
<_sre.SRE_Match object; span=(0, 2), match='12'>
>>> prog.search('12abc').group() # 通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None。
'12'

>>> prog.match('123abc')
<_sre.SRE_Match object; span=(0, 2), match='12'>
>>> prog.match('123abc').group()
'12'
>>>

2、re.search（pattern，string，flags = 0 ）

扫描字符串以查找正则表达式模式产生匹配项的第一个位置 ，然后返回相应的match对象。None如果字符串中没有位置与模式匹配，则返回；否则返回false。请注意，这与在字符串中的某个点找到零长度匹配不同。

#在这个字符串进行匹配，只会匹配一个对象>>> re.search('\\w+','abcde').group()
'abcde'
>>> re.search('a','abcde').group()
'a'
>>>

3、re.match（pattern，string，flags = 0 ）

如果字符串开头的零个或多个字符与正则表达式模式匹配，则返回相应的匹配对象。None如果字符串与模式不匹配，则返回；否则返回false。请注意，这与零长度匹配不同。

# 同search,不过在字符串开始处进行匹配，只会匹配一个对象
>>> re.match('a','abcade').group()
'a'
>>> re.match('\\w+','abc123de').group()
'abc123de'
>>> re.match('\\D+','abc123de').group() #非数字
'abc'
>>>

4、re.fullmatch（pattern，string，flags = 0 ）

如果整个字符串与正则表达式模式匹配，则返回相应的match对象。None如果字符串与模式不匹配，则返回；否则返回false。请注意，这与零长度匹配不同。

>>> re.fullmatch('\\w+','abcade').group()
'abcade'
>>> re.fullmatch('abcade','abcade').group()
'abcade'
>>>

5、re.split（pattern，string，maxsplit = 0，flags = 0 ）

通过出现模式来拆分字符串。如果在pattern中使用了捕获括号，那么模式中所有组的文本也将作为结果列表的一部分返回。如果maxsplit不为零，则最多会发生maxsplit分割，并将字符串的其余部分作为列表的最后一个元素返回。

>>> re.split('[ab]', 'abcd') # 先按'a'分割得到''和'bcd',在对''和'bcd'分别按'b'分割
['', '', 'cd']
>>> re.split(r'\\W+', 'Words, words, words.')
['Words', 'words', 'words', '']
>>> re.split(r'(\\W+)', 'Words, words, words.')
['Words', ', ', 'words', ', ', 'words', '.', '']
>>> re.split(r'\\W+', 'Words, words, words.', 1)
['Words', 'words, words.']
>>> re.split('[a-f]+', '0a3B9', flags=re.IGNORECASE)
['0', '3', '9']

如果分隔符中有捕获组，并且该匹配组在字符串的开头匹配，则结果将从空字符串开始。字符串的末尾也是如此：

>>> re.split(r'(\\W+)', '...words, words...')
['', '...', 'words', ', ', 'words', '...', '']

6、re.findall（pattern，string，flags = 0 ）

以string列表形式返回string中pattern的所有非重叠匹配项。从左到右扫描该字符串，并以找到的顺序返回匹配项。如果该模式中存在一个或多个组，则返回一个组列表；否则，返回一个列表。如果模式包含多个组，则这将是一个元组列表。空匹配项包含在结果中。

>>> re.findall('a', 'This is a beautiful place!')
['a', 'a', 'a']
>>>

7、re.finditer（pattern，string，flags = 0 ）

返回一个迭代器，该迭代器在string类型的RE 模式的所有非重叠匹配中产生匹配对象。 从左到右扫描该字符串，并以找到的顺序返回匹配项。空匹配项包含在结果中。

>>> re.finditer('[ab]', 'This is a beautiful place!')
<callable_iterator object at 0x0000000000DCDA90> #迭代器对象
>>> ret=re.finditer('[ab]', 'This is a beautiful place!')
>>> next(ret).group() #查看下一个匹配值
'a'
>>> [i.group() for i in ret] #查看剩下所有匹配的值
['b', 'a', 'a']
>>>

8、re.sub（pattern，repl，string，count = 0，flags = 0 ）

返回通过用替换repl替换字符串中最左边的不重叠模式所获得的字符串。如果找不到该模式， 则返回的字符串不变。 repl可以是字符串或函数；如果是字符串，则处理其中的任何反斜杠转义。即，将其转换为单个换行符，将其转换为回车，依此类推。count参数表示将匹配到的内容进行替换的次数

>>> re.sub('\\d', 'S', 'abc12jh45li78', 2) #将匹配到的数字替换成S,替换2个
'abcSSjh45li78'

>>> re.sub('\\d', 'S', 'abc12jh45li78') #将匹配到所有的数字替换成S
'abcSSjhSSliSS'
>>>

9、re.subn（pattern，repl，string，count = 0，flags = 0 ）

执行与相同的操作sub()，但返回一个元组。(new_string, number_of_subs_made)

>>> re.subn('\\d', 'S', 'abc12jh45li78', 3)
('abcSSjhS5li78', 3)
>>>

10、re.escape(pattern)

>>> re.escape('python.exe\\n')
'python\\\\.exe\\\\\\n'
>>>

11、search（）与match（）方法

Python提供了两种基于正则表达式的原始操作： re.match()仅在字符串的开头匹配，re.search()检查匹配项，在字符串中的任何位置检查匹配项（这是Perl的默认设置）。

>>> re.match("c", "abcdef") #Not match
>>> re.search("c", "abcdef") #match
<_sre.SRE_Match object; span=(2, 3), match='c'>
>>>

以开头的正则表达式'^'可用于search()限制字符串开头的匹配项：

>>> re.match("c", "abcdef") #Not match
>>> re.search("^c", "abcdef") #Not match
>>> re.search("^a", "abcdef") #match
<_sre.SRE_Match object; span=(0, 1), match='a'>
>>>