本文共 6959 字，大约阅读时间需要 23 分钟。

2. 正则表达式

2.1 概述

• 学习动机

1. 文本数据处理已经成为常见的编程工作之一
2. 对文本内容的搜索，定位，提取是逻辑比较复杂的工作
3. 为了快速方便的解决上述问题，产生了正则表达式技术

• 定义

即文本的高级匹配模式，其本质是由一系列字符和特殊符号构成的字串，这个字串即正则表达式。

• 原理

通过普通字符和有特定含义的字符，来组成字符串，用以描述一定的字符串规则，比如：重复，位置等，来表达某类特定的字符串，进而匹配。

• 学习目标

1. 熟练掌握正则表达式元字符
2. 能够读懂常用正则表达式，编辑简单的正则规则
3. 能够熟练使用re模块操作正则表达式

2.2 元字符使用

• 普通字符

匹配规则：每个普通字符匹配其对应的字符

e.g.In : re.findall('ab',"abcdefabcd")Out: ['ab', 'ab']In [20]: re.findall("ab","afggasabfdfab")Out[20]: ['ab', 'ab']

注意：正则表达式在python中也可以匹配中文

• 或关系

元字符: |

匹配规则: 匹配 | 两侧任意的正则表达式即可

e.g.In : re.findall('com|cn',"www.baidu.com/www.tmooc.cn")Out: ['com', 'cn']

• 匹配单个字符

元字符：.

匹配规则：匹配除换行外的任意一个字符

e.g.In : re.findall('张.丰',"张三丰,张四丰,张五丰")Out: ['张三丰', '张四丰', '张五丰']

• 匹配字符集

元字符： [字符集]

匹配规则: 匹配字符集中的任意一个字符

表达形式:

[abc#!好] 表示 [] 中的任意一个字符

[0-9],[a-z],[A-Z] 表示区间内的任意一个字符

[_#?0-9a-z] 混合书写，一般区间表达写在后面

e.g.In : re.findall('[aeiou]',"How are you!")Out: ['o', 'a', 'e', 'o', 'u']

• 匹配字符集反集

元字符：[^字符集]

匹配规则：匹配除了字符集以外的任意一个字符

e.g.In : re.findall('[^0-9]',"Use 007 port")Out: ['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']

• 匹配字符串开始位置

元字符: ^

匹配规则：匹配目标字符串的开头位置

e.g.In : re.findall('^Jame',"Jame,hello")Out: ['Jame']

• 匹配字符串的结束位置

元字符: $

匹配规则: 匹配目标字符串的结尾位置

e.g.In : re.findall('Jame$',"Hi,Jame")Out: ['Jame']

规则技巧: ^ 和$必然出现在正则表达式的开头和结尾处。如果两者同时出现，则中间的部分必须匹配整个目标字符串的全部内容。

• 匹配字符重复

元字符: *

匹配规则：匹配前面的字符出现0次或多次

e.g.In : re.findall('wo*',"wooooo~~w!")Out: ['wooooo', 'w']

---

元字符：+

匹配规则： 匹配前面的字符出现1次或多次

e.g.In : re.findall('[A-Z][a-z]+',"Hello World")Out: ['Hello', 'World']

---

元字符：?

匹配规则： 匹配前面的字符出现0次或1次

e.g. 匹配整数In [28]: re.findall('-?[0-9]+',"Jame,age:18, -26")Out[28]: ['18', '-26']

---

元字符：{n}

匹配规则： 匹配前面的字符出现n次

e.g. 匹配手机号码In : re.findall('1[0-9]{10}',"Jame:13886495728")Out: ['13886495728']

---

元字符：{m,n}

匹配规则： 匹配前面的字符出现m-n次

e.g. 匹配qq号In : re.findall('[1-9][0-9]{5,10}',"Baron:1259296994") Out: ['1259296994']

• 匹配任意（非）数字字符

元字符： \d \D

匹配规则：\d 匹配任意数字字符，\D 匹配任意非数字字符

e.g. 匹配端口In : re.findall('\d{1,5}',"Mysql: 3306, http:80")Out: ['3306', '80']

• 匹配任意（非）普通字符

元字符： \w

匹配规则: \w 匹配普通字符，\W 匹配非普通字符

说明: 普通字符指数字，字母，下划线，汉字。

e.g.In : re.findall('\w+',"server_port = 8888")Out: ['server_port', '8888']

• 匹配任意（非）空字符

元字符： \s \S

crf 匹配规则:\s匹配空字符，\S 匹配非空字符

说明：空字符指 空格\r \n \t \v \f 字符

e.g.In : re.findall('\w+\s+\w+',"hello    world")Out: ['hello    world']

• 匹配（非）单词的边界位置

元字符：\b \B

匹配规则：\b 表示单词边界，\B 表示非单词边界

说明：单词边界指数字字母(汉字)下划线与其他字符的交界位置。

e.g.In : re.findall(r'\bis\b',"This is a test.")Out: ['is']

注意： 当元字符符号与Python字符串中转义字符冲突的情况则需要使用r将正则表达式字符串声明为原始字符串，如果不确定那些是Python字符串的转义字符，则可以在所有正则表达式前加r。

类别	元字符
匹配字符	. [...] [^...] \d \D \w \W \s \S
匹配重复	* + ? {n} {m,n}
匹配位置	^ $ \b \B
其他	| () \

2.3 匹配规则

2.3.1 特殊字符匹配

• 目的 ： 如果匹配的目标字符串中包含正则表达式特殊字符，则在表达式中元字符就想表示其本身含义时就需要进行 \ 处理。

  特殊字符: . * + ? ^ $ [] () {} | \

• 操作方法：在正则表达式元字符前加 \ 则元字符就是去其特殊含义，就表示字符本身

e.g. 匹配特殊字符 . 时使用 \. 表示本身含义In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")Out: ['123', '-123', '1.23', '-1.23']

2.3.2 贪婪模式和非贪婪模式

• 定义

贪婪模式: 默认情况下，匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}

非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。

• 贪婪模式转换为非贪婪模式

在对应的匹配重复的元字符后加 ‘?’ 号即可

*  ->  *?+  ->  +??  ->  ??{
   m,n} -> {
   m,n}?

e.g.In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")Out: ['(abcd)', '(higk)']

2.3.3 正则表达式分组

• 定义

在正则表达式中，以()建立正则表达式的内部分组，子组是正则表达式的一部分，可以作为内部整体操作对象。

• 作用 : 可以被作为整体操作，改变元字符的操作对象

e.g.  改变 +号 重复的对象In : re.search(r'(ab)+',"ababababab").group()Out: 'ababababab'e.g. 改变 |号 操作对象In : re.search(r'(王|李)\w{1,3}',"王者荣耀").group()Out: '王者荣耀'

• 捕获组

捕获组本质也是一个子组，只不过拥有一个名称用以表达该子组的意义，这种有名称的子组即为捕获组。

格式：(?P<name>pattern)

e.g. 给子组命名为 "pig"In : re.search(r'(?P
   
    ab)+',"ababababab").group('pig')Out: 'ab'In [5]: re.search(r'(?P
    
     ab)+',"ababababab").group()Out[5]: 'ababababab'
    
   

• 注意事项

• 一个正则表达式中可以包含多个子组
• 子组可以嵌套但是不宜结构过于复杂
• 子组序列号一般从外到内，从左到右计数

2.3.4 正则表达式匹配原则

1. 正确性,能够正确的匹配出目标字符串.
2. 排他性,除了目标字符串之外尽可能少的匹配其他内容.
3. 全面性,尽可能考虑到目标字符串的所有情况,不遗漏.

2.4 Python re模块使用

2.4.1 基础函数使用

---

regex = compile(pattern,flags = 0) 功能: 生产正则表达式对象 参数: pattern  正则表达式      flags  功能标志位,扩展正则表达式的匹配 返回值: 正则表达式对象

---

re.findall(pattern,string,flags = 0) 功能: 根据正则表达式匹配目标字符串内容 参数: pattern  正则表达式      string 目标字符串      flags  功能标志位,扩展正则表达式的匹配 返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容

---

regex.findall(string,pos,endpos) 功能: 根据正则表达式匹配目标字符串内容 参数: string 目标字符串      pos 截取目标字符串的开始匹配位置      endpos 截取目标字符串的结束匹配位置 返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容

---

re.split(pattern,string,max，flags = 0) 功能: 使用正则表达式匹配内容,切割目标字符串 参数: pattern  正则表达式      string 目标字符串      max 最多切割几部分      flags  功能标志位,扩展正则表达式的匹配 返回值: 切割后的内容列表

---

re.sub(pattern,replace,string,count,flags = 0) 功能: 使用一个字符串替换正则表达式匹配到的内容 参数: pattern  正则表达式      replace  替换的字符串      string 目标字符串      count  最多替换几处,默认替换全部      flags  功能标志位,扩展正则表达式的匹配 返回值: 替换后的字符串

"""re模块演示1"""import re# 目标字符串s = "Alex:1996,Sunny:1998"pattern = r"(\w+):(\d+)"  # 正则表达式# pattern = r"\w+:\d+"  # 正则表达式# re直接调用l = re.findall(pattern,s)print(l)# 生成正则表达式对象regex = re.compile(pattern)l = regex.findall(s,0,13)  # 目标字符串变为 s[0:13]print(l)# 使用正则表达式匹配内容分割字符串l = re.split(r"\W+",s,2)print(l)# 替换目标字符串中匹配到的内容s = re.sub(r"\W+",'##',s,2)print(s)-----------------------------------------------[('Alex', '1996'), ('Sunny', '1998')][('Alex', '1996')]['Alex', '1996', 'Sunny:1998']Alex##1996##Sunny:1998

---

2.4.2 生成match对象

re.finditer(pattern,string,flags = 0) 功能: 根据正则表达式匹配目标字符串内容 参数: pattern  正则表达式      string 目标字符串      flags  功能标志位,扩展正则表达式的匹配 返回值: 匹配结果的迭代器

---

re.match(pattern,string,flags=0)功能：匹配某个目标字符串开始位置参数：pattern 正则	string  目标字符串返回值：匹配内容match object 没有匹配到返回None

---

re.search(pattern,string,flags=0)功能：匹配目标字符串第一个符合内容参数：pattern 正则	string  目标字符串返回值：匹配内容match object 没有匹配到返回None

"""re模块示例，生成match对象一个match对象对应一处匹配内容用于获取匹配到内容的详细信息"""import res = "时，2020年春，AID 2002 班开课"# s = "2020年春，AID 2002 班开课"pattern = r"\d+"# 匹配返回迭代器it = re.finditer(pattern ,s)for i in it:    print(i.group())  # 得到match对象# 匹配开头位置# obj = re.match(pattern,s)# print(obj.group())# 匹配第一处obj = re.search(pattern,s)print(obj.group())

2.4.3 match对象使用

• span() 获取匹配内容的起止位置，返回2元元组

• groupdict() 获取捕获组字典，组名为键，对应内容为值

• groups() 获取子组对应内容，返回元组

• group(n = 0)

  功能：获取match对象匹配内容

  参数：默认为0表示获取整个match对象内容，如果是序列号或者组名则表示获取对应子组内容
  返回值：匹配字符串

"""match对象使用"""import res = "abcdefghi"pattern = "(ab)cd(?P
   
    ef)"obj = re.search(pattern,s)  # 获取match对象print(obj.span())  # s[0:6] 获取匹配到的内容在目标字符串中的位置print(obj.groupdict()) # 获取捕获组字典 组名为键，匹配到的内容为值print(obj.groups()) # 获取子组匹配到的内容print(obj.group()) # 获取匹配内容-------------------------------------------------(0, 6){
   'dog': 'ef'}('ab', 'ef')abcdef
   

2.4.4 flags参数扩展

• 作用函数：re模块调用的匹配函数。如：re.compile,re.findall,re.search…

• 功能：扩展丰富正则表达式的匹配功能

• 常用flag

  A == ASCII  元字符只能匹配ascii码I == IGNORECASE  匹配忽略字母大小写S == DOTALL  使 . 可以匹配换行M == MULTILINE  使 ^  $可以匹配每一行的开头结尾位置

注意：同时使用多个flag，可以用竖线连接 flags = re.I | re.A

内容在目标字符串中的位置

print(obj.groupdict()) # 获取捕获组字典 组名为键，匹配到的内容为值

print(obj.groups()) # 获取子组匹配到的内容

print(obj.group()) # 获取匹配内容

(0, 6)

{‘dog’: ‘ef’} (‘ab’, ‘ef’) abcdef

[外链图片转存中...(img-RnhWDKmJ-1623680032865)]#### 2.4.4 flags参数扩展* 作用函数：re模块调用的匹配函数。如：re.compile,re.findall,re.search....* 功能：扩展丰富正则表达式的匹配功能* 常用flag  ```re  A == ASCII  元字符只能匹配ascii码    I == IGNORECASE  匹配忽略字母大小写    S == DOTALL  使 . 可以匹配换行    M == MULTILINE  使 ^  $可以匹配每一行的开头结尾位置

注意：同时使用多个flag，可以用竖线连接 flags = re.I | re.A

转载地址：https://blog.csdn.net/z_202041/article/details/117913728 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！