正则表达式
正则表达式是用来匹配字符串非常强大的工具,在其他编程语言中同样有正则表达式的概念。就其本质而言,正则表达式(或 RE)是一种小型的、高度专业化的编程语言,(在Python中)它内嵌在Python中,并通过 re 模块实现。正则表达式模式被编译成一系列的字节码,然后由用 C 编写的匹配引擎执行。
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 |
* |
"*" 匹配前一个字符0次或者无限次 |
+ |
"+" 匹配前一个字符1次或者无限次 |
? |
"?" 匹配一个字符0次或者1次 |
{m} {m,n} |
{m} {m,n} 匹配前一个字符m次或者m到n次 |
*? +? ?? |
*? +? ?? 匹配模式变为非贪婪(尽可能少匹配字符串) |
^ |
"^" 匹配字符串开头,多行模式中匹配每一行的开头 |
$ |
"$" 匹配字符串结尾,多行模式中匹配每一行的末尾 |
\A |
\A 仅匹配字符串开头 |
\Z |
\Z 仅匹配字符串结尾 |
\b |
\b 匹配一个单词边界,也就是指单词和空格间的位置 |
| |
"|" 匹配左右任意一个表达式 |
ab |
(ab) 括号中表达式作为一个分组 |
\<number> |
\<number> 引用编号为num的分组匹配到的字符串 |
(?P<key>vlaue) |
(?P<key>vlaue) 匹配到一个字典,去vlaue也可做别名 |
(?P=name) |
(?P=name) 引用别名为name的分组匹配字符串 |
模块方法介绍:
match |
从头匹配 |
search |
|
|
找到匹配,返回所有匹配部分的列表 |
finditer |
返回一个迭代器 |
sub |
将字符串中匹配正则表达式的部分替换为其他值 |
split |
根据匹配分割字符串,返回分割字符串组成的列表 |
group() |
返回被 RE 匹配的字符串 |
groups() |
返回一个包含正则表达式中所有小组字符串的元组,从 1 到所含的小组号 |
groupdict() |
返回(?P<key>vlace)定义的字典 |
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) 的索引位置 |
re.I |
使匹配对大小写不敏感 |
re.L |
做本地化识别(locale-aware)匹配 |
re.M |
多行匹配,影响 ^ 和 $ |
re.S |
使 . 匹配包括换行在内的所有字符 |
re.U |
根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B. |
re.X |
注释,会影响空格(无效了) |
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\d和\s等,如果要在正则中匹配正常的"\d"而不是"数字"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"\d",字符串中要写成‘\\d‘,那么正则里就要写成"\\\\d",这样就太麻烦了。这个时候我们就用到了r‘\d‘这个概念,此时的正则是r‘\\d‘就可以了。
正则 | 待匹配字符 | 匹配 结果 |
说明 |
\d | \d | False |
因为在正则表达式中\是有特殊意义的字符,所以要匹配\d本身,用表达式\d无法匹配 |
\\d | \d | True |
转义\之后变成\\,即可匹配 |
"\\\\d" | ‘\\d‘ | 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‘\\d‘ | r‘\d‘ | True |
在字符串之前加r,让整个字符串不转义 |
import re ret = re.findall(‘a‘, ‘eva egon yuan‘) # 返回所有满足匹配条件的结果,放在列表里 print(ret) #结果 : [‘a‘, ‘a‘] ret = re.search(‘a‘, ‘eva egon yuan‘).group() print(ret) #结果 : ‘a‘ # 函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以 # 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。 ret = re.match(‘a‘, ‘abc‘).group() # 同search,不过尽在字符串开始处进行匹配 print(ret) #结果 : ‘a‘ ret = re.split(‘[ab]‘, ‘abcd‘) # 先按‘a‘分割得到‘‘和‘bcd‘,在对‘‘和‘bcd‘分别按‘b‘分割 print(ret) # [‘‘, ‘‘, ‘cd‘] ret = re.sub(‘\d‘, ‘H‘, ‘eva3egon4yuan4‘, 1)#将数字替换成‘H‘,参数1表示只替换1个 print(ret) #evaHegon4yuan4 ret = re.subn(‘\d‘, ‘H‘, ‘eva3egon4yuan4‘)#将数字替换成‘H‘,返回元组(替换的结果,替换了多少次) print(ret) obj = re.compile(‘\d{3}‘) #将正则表达式编译成为一个 正则表达式对象,规则要匹配的是3个数字 ret = obj.search(‘abc123eeee‘) #正则表达式对象调用search,参数为待匹配的字符串 print(ret.group()) #结果 : 123 import re ret = re.finditer(‘\d‘, ‘ds3sy4784a‘) #finditer返回一个存放匹配结果的迭代器 print(ret) # <callable_iterator object at 0x10195f940> print(next(ret).group()) #查看第一个结果 print(next(ret).group()) #查看第二个结果 print([i.group() for i in ret]) #查看剩余的左右结果
注意:
1 findall的优先级查询:
import re ret = re.findall(‘www.(baidu|oldboy).com‘, ‘www.oldboy.com‘) print(ret) # [‘oldboy‘] 这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可 ret = re.findall(‘www.(?:baidu|oldboy).com‘, ‘www.oldboy.com‘) print(ret) # [‘www.oldboy.com‘]
2 split的优先级查询:
ret=re.split("\d+","eva3egon4yuan") print(ret) #结果 : [‘eva‘, ‘egon‘, ‘yuan‘] ret=re.split("(\d+)","eva3egon4yuan") print(ret) #结果 : [‘eva‘, ‘3‘, ‘egon‘, ‘4‘, ‘yuan‘] #在匹配部分加上()之后所切出的结果是不同的, #没有()的没有保留所匹配的项,但是有()的却能够保留了匹配的项, #这个在某些需要保留匹配部分的使用过程是非常重要的。