Python 学习笔记 正则表达式

0755mx

元字符
. ^ $ * + ? {} [] () \ |
python  的正则表达式需要re 模块支持
定义一个字符串s，通过"r" 定义一个规则'abc' 通过findall 从提供的字符串中匹配

1 2 3 4 5

>>> import re >>> s = 'abc' >>> s = r'abc' >>> re.findall(s,'abcdfdsajk') ['abc']

[ ]
常用来指定一个字符集: [abc],[a-z]
元字符在字符集中不起作用: [abc$]
例如，[akm$]将匹配字符"a", "b", "c", 或 "$" 中的任意一个

[^string]
匹配指定字符串以外的字符，例如[^a]，表示匹配“a”以外的所有字符
通过元字符“[string]”匹配

1 2 3 4 5 6 7

>>> st = 'top tip tap tsp tep' >>> res = r'top' >>> re.findall(res,st) ['top'] >>> res = r't[io]p' >>> re.findall(res,st) ['top', 'tip']

[^string]匹配不包含“io” 的字符串

1 2 3

>>> res = r't[^io]p' >>> re.findall(res,st) ['tap', 'tsp', 'tep']

^  匹配行首
$  匹配行尾

1 2 3 4 5 6 7 8 9 10

>>> s = "hello world,hello boy" >>> r = r"hello" >>> re.findall(r,s) ['hello', 'hello'] >>> r = r"^hello" >>> re.findall(r,s) ['hello'] >>> r = r"boy$" >>> re.findall(r,s) ['boy']

.  匹配换行符以外的所有字符
\  脱义符
\d  匹配任何十进制数，相当于[0-9]
\D 匹配任何非数字字符，相当于[^0-9]
\s  匹配任何空白字符，相当于[\t\n\r\f\v]
\S  匹配任何非空白字符，相当于[^\t\n\r\f\v]
\w  匹配任何字母数字字符，相当于[a-zA-Z0-9]
\W 匹配任何非字母数字字符，相当于[^a-zA-Z0-9]
\\   匹配"\"
*  匹配指定字符0次或多次，等同于{0,}
+ 匹配指定字符1次或多次，等同于{1,}
？ 匹配1次或0次，等同于{0,1}
{n,m} 匹配大于等于n，小于等于m次的字符串
{m,} 匹配m次以上的字符串
例子：匹配电话号码

1 2 3 4

>>> import re >>> r1 = r"\d{3,4}-?\d{8}" >>> re.findall(r1,'020-88776655') ['020-88776655']

（） 分组
例子：匹配邮箱

1 2 3 4 5 6 7

>>> email = r'\w{3}@\w+(\.com|\.net)' >>> re.match(email,'abc@qq.com') >>> re.match(email,'bbb@163.net') >>> re.match(email,'ccc@redhat.org') >>>

编译正则表达式
正则表达式被编译成 `RegexObject` 实例，可以为不同的操作提供方法，如模式匹配搜索或字符串替换。
re 模块提供了一个正则表达式引擎的接口，可以将REstring 编译成对象并用它们来进行匹配，例如：

1 2 3 4 5 6 7

>>> import re >>> r1 = r"\d{3,4}-?\d{8}" >>> p_tel = re.compile(r1) >>> p_tel >>> p_tel.findall('020-88776655') ['020-88776655']

数量词的贪婪模式与非贪婪模式
       正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。
       像 * 这样地重复是“贪婪的”；当重复一个 RE 时，匹配引擎会试着重复尽可能多的次数。如果模式的后面部分没有被匹配，匹配引擎将退回并再次尝试更小的重复。
不贪婪的限定符 *?、+?、?? 或 {m,n}?
贪婪限定符    .*
函数
match()    决定RE是否在字符串刚开始的位置匹配
search()    扫描字符串，找到这个RE匹配的位置
findall()    找到RE匹配的所有子串，并把它们作为一个列表返回
finditer()    找到RE匹配的所有子串，并把它们作为一个迭代器返回
如果没有匹配到，match()和search() 将返回None。匹配到，则返回一个'MatchObject' 实例

1 2 3 4 5 6 7 8

[size=1em]>>> string_re.match('pmghong hello') [size=1em] [size=1em] [size=1em] >>> string_re.match('hello pmghong ') >>>[size=1em]>>> string_re.search('pmghong hello') [size=1em] [size=1em] [size=1em] [size=1em]>>> string_re.search('hello pmghong') [size=1em]

可以看到match 只能匹配字符串在开头的情况，而search 则不管在开头、结尾都可以。


在实际程序中，最常见的作法是将 `MatchObject` 保存在一个变量里，然後检查它是否为 None，通常如下所示：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

>>> string_re.match('pmghong hello') >>> x = string_re.match('pmghong hello') >>> if x: ...     print 'OK' ... OK >>> string_re.match('hello pmghong') >>> x = string_re.match('hello pmghong') >>> if x: ...     print 'OK' ... else: ...     print 'Not OK' ... Not OK

match() 的方法
group()     返回被 RE 匹配的字符串
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) 的位置

1 2 3 4 5 6 7 8 9 10 11 12 13 14

>>> s = "hello python" >>> r1 = r'hello' >>> re.match(r1,s) >>> >>> x = re.match(r1,s) >>> x.group() 'hello' >>> x.start() 0 >>> x.end() 5 >>> x.span() (0, 5)

group() 返回 RE 匹配的子串。start() 和 end() 返回匹配开始和结束时的索引。span() 则用单个元组把开始和结束时的索引一起返回。


re.sub() 替换字符串

1 2 3 4 5 6 7 8 9

>>> s = "hello world" >>> s.replace('world','boy') 'hello boy' >>> s.replace('w...d','boy') 'hello world' >>> >>> rs = r'w...d' >>> re.sub(rs,'boy','world would woked hello') 'boy boy boy hello'

replace() 虽然能替换字符串，但它不支持正则表达式，需要匹配正则表达式的话，需要使用sub() 这个函数
re.subn()

1 2	>>> re.subn(rs,'boy','world would woked hello') ('boy boy boy hello', 3)

这个函数也是起到替换字符串的作用，相比于sub() 多了最后一项-- 匹配次数
re.split()切割，相比于split ，可以使用正则表达式匹配

1 2 3 4 5 6

>>> ip = '192.168.10.1' >>> ip.split('.') ['192', '168', '10', '1'] >>> s = '111+222-333*444/555' >>> re.split(r'[\+\-\*\/]',s) ['111', '222', '333', '444', '555']

RE 属性
re.compile() 也接受可选的标志参数，常用来实现不同的特殊功能和语法变更

1	>>> p = re.compile('ab*',re.IGONRECASE)

IGNORECASE，I     忽略字符串的大小写

1 2 3 4 5 6 7

>>> string_re = re.compile(r'pmghong',re.I) >>> string_re.findall('PMGHONG') ['PMGHONG'] >>> string_re.findall('pmghong') ['pmghong'] >>> string_re.findall('Pmghong') ['Pmghong']

DOTALL，S   使“.”匹配包括换行在内的所有字

1 2 3 4 5 6 7 8 9 10 11 12 13

>>> r1 = r"baidu.com" >>> re.findall(r1,'baidu.com') ['baidu.com'] >>> re.findall(r1,'baidu_com') ['baidu_com'] >>> re.findall(r1,'baidu com') ['baidu com'] >>> re.findall(r1,'baidu\ncom') [] >>> re.findall(r1,'baidu\ncom',re.S) ['baidu\ncom'] >>> re.findall(r1,'baidu\tcom',re.S) ['baidu\tcom']

可以看到，一般情况下，"." 这个元字符并不能匹配像\n 这种换行符号，要匹配的话，需要加入S 这个属性
MULTILINE，M 多行匹配，影响$和^
比如说，我想匹配docstring中以"hello"开头的句子时，直接通过正则表达式是匹配不到的

1 2 3 4 5 6 7 8 9

>>> s = ''' ... hello boy ... boys and girls ... hello girl ... what a nice day ... ''' >>> r1 = r'^hello' >>> re.findall(r1,s) []

原因是docstring 是这样存放数据的：

1 2	>>> s '\nhello boy\nboys and girls\nhello girl\nwhat a nice day\n'

所以需要加入M属性，进行多行匹配

1 2	>>> re.findall(r1,s,re.M) ['hello', 'hello']

VERBOSE，X   能够使用REs 的verbose 状态，使之被组织得更清晰易懂
类似的，有时我们正则太长，我们也可以通过分行写，使得结构更清晰易懂一些，但是直接应用这样的正则表达式去匹配字符串的话，也会出问题，原因跟上一个例子一样，因为docstring 会将\n 的字符也存放进去。

1 2 3 4 5 6 7 8 9

>>> tel = r''' ... \d{3,4} ... -? ... \d{8} ... ''' >>> re.findall(tel,'020-88776655') [] >>> tel '\n\\d{3,4}\n-?\n\\d{8}\n'

解决办法就是加入re.X 属性

1 2	>>> re.findall(tel,'020-88776655',re.X) ['020-88776655']

附上网上搜到的一张表