【Python】正则表达式简单教程

 

说明：本文主要是根据廖雪峰网站的正则表达式教程学习，并根据须要作了少量修改，此处记录下来以备后续查看。

《Python正则表达式纯代码极简教程》连接：http://www.javashuo.com/article/p-bqbkfjql-d.html

0x01 正则表达式概念及符号含义

掌握正则表达式，只须要记住不一样符号所表示的含义，以及对目标对象模式（或规律）的正确归纳。

一、基础内容

字符匹配

• 在正则表达式中，若是直接给出字符，就是精确匹配。
• \d 匹配一个数字
• \D 匹配一个非数字
• \w 匹配一个字母、数字或下划线_
• \W 匹配任何非单词字符,等价于“[^A-Za-z0-9_]"
• \s 匹配任何空白字符，包括空格、制表符、换页符等等,等价于[ \f\n\r\t\v]
• \S 匹配任何非空白字符
• \n 匹配一个换行符
• \r 匹配一个回车符
• \t 匹配一个制表符

数量匹配

• .匹配除“\n"以外的任何单个字符
• *匹配前面的子表达式零次或屡次
• +匹配前面的子表达式一次或屡次
• ?匹配前面的子表达式零次或一次
• {n}，n是一个非负整数，匹配肯定的n次
• {n,m}，m和n均为非负整数，其中n<=m，最少匹配n次且最多匹配m次
• {n,}，n是一个非负整数，至少匹配n次
• {,m} 匹配前面的正则表达式最多m次

范围匹配

• x|y 匹配x或y
• [xyz] 字符集合,匹配所包含的任意一个字符
• [^xyz] 负值字符集合,匹配未包含的任意字符
• [a-z] 字符范围,匹配指定范围内的任意字符
• [^a-z] 负值字符范围,匹配任何不在指定范围内的任意字符

 

来看一个稍微复杂的例子：\d{3,4}\s+\d{3,8}
咱们来从左到右解读一下：

1. \d{3,4}表示匹配3到4个数字，例如'010'、'0755'；
2. \s能够匹配一个空格（也包括Tab等空白符），因此\s+表示至少有一个空格，例如匹配' '，' '等；
3. \d{3,8}表示3-8个数字，例如'1234567'。

综合起来，上面的正则表达式能够匹配以任意个空格隔开的带区号的电话号码。

若是要匹配'010-12345'、'0755-26776666'这样的号码呢？
因为'-'是特殊字符，在正则表达式中，要用'\'转义，因此，上面的正则是\d{3,4}\-\d{3,8}。

可是，仍然没法匹配'010 - 12345'，由于带有空格。因此咱们须要更复杂的匹配方式。

二、进阶内容

要作更精确地匹配，能够用[]表示范围，好比：

• [0-9a-zA-Z\_]能够匹配一个数字、字母或者下划线；
• [0-9a-zA-Z\_]+能够匹配至少由一个数字、字母或者下划线组成的字符串，好比'a100'，'0_Z'，'Py3000'等等；
• [a-zA-Z\_][0-9a-zA-Z\_]*能够匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；
• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。
• A|B能够匹配A或B，因此(P|p)ython能够匹配'Python'或者'python'。
• ^表示行的开头，^\d表示必须以数字开头。
• $表示行的结束，\d$表示必须以数字结束。

你可能注意到了，py也能够匹配'python'，可是加上^py$就变成了只能匹配以'py'开头的字符串，
因此，若是某个字符串为'I love python'，那么就没法匹配到，由于它不是以py开头。

三、正则表达式使用场景

• 判断某个字符串是否匹配特定的模式
• 切分字符串
• 提取特定模式的字符串
• 将指定模式的字符串进行替换

0x02 Python中正则表达式模块re

一、判断某个字符串是否匹配特定的模式

前面区号+电话号码的例子

# 导入re模块
import re

# 匹配
result = re.match(r'\d{3,4}\-\d{3,8}$','020-12345')
print(result)

# 不匹配
result2 = re.match(r'\d{3,4}\-\d{3,8}$','020 12345')
print(result2)

# match()方法判断是否匹配，若是匹配成功，返回一个Match对象，不然返回None。
# 常见的判断方法就是：

# 带判断的字符串
test = '020-12345'
if re.match(r'\d{3,4}\-\d{3,8}$', test):
    print('match')
else:
    print('not match')

小练习：判断给定的邮箱地址是不是NETEC邮箱

• 假设NETEC公司的邮箱格式为姓+.+名字+数字+@netec.com.cn。
• 其中数字不是必须的，只有相同名字的员工有多个时，才会存在数字
• 而且姓名拼音或英文都会使用小写字母，而不会使用大写字母

email = 'lee.jack3@netec.com.cn'

pattern = r'^[a-z]{1,}\.[a-z]+\d*@netec.com.cn$'

if re.match(pattern,email):
　　print('是NETEC邮箱')
else:
　　print('不是NETEC邮箱')

二、切分字符串

用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：

result3 = 'a b c'.split(' ')
print(result3)

没法识别连续的空格，用正则表达式试试:

result4 = re.split(r'\s+', 'a b c')
print(result4)

不管多少个空格均可以正常分割。加入","试试：

result5 = re.split(r'[\s\,]+', 'a,b,, c d')
print(result5)

再加入";"试试：

result6 = re.split(r'[\s\,\;]+', 'a,b;; c d')
print(result6)

三、提取特定模式的字符串

除了简单地判断是否匹配以外，正则表达式还有提取子串的强大功能。
用()表示的就是要提取的分组（Group）。好比：^(\d{3,4})-(\d{3,8})$
分别定义了两个组，能够直接从匹配的字符串中提取出区号和本地号码：

m = re.match(r'^(\d{3,4})-(\d{3,8})$', '0755-12345')
print(m)
print(m.group(0)) # 匹配的整个字符串
print(m.group(1)) # 匹配的第一个小括号的内容，即第一个匹配的子串
print(m.group(2)) # 匹配的第二个小括号的内容，即第二个匹配的子串

一个复杂的例子,提起给定时间字符串中的小时、分钟、秒

t = '19:05:30'
m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
print(m.groups())
print(m.group(1))
print(m.group(2))
print(m.group(3))

其实上面也有更简便的写法：

t = '19:05:30'
m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:([0-5]?[0-9])\:([0-5]?[0-9])$', t)
print(m.groups())
print(m.group(1))
print(m.group(2))
print(m.group(3))

四、将指定模式的字符串进行替换

result = re.sub('[ae]','X','abcdefghi')
print(result)

result = re.subn('[ae]','X','abcdef')
print(result)

五、贪婪匹配 vs 非贪婪匹配

正则匹配默认是贪婪匹配，也就是匹配尽量多的字符。举例以下，匹配出数字后面的0：

result7 = re.match(r'^(\d+)(0*)$', '102300').groups()
print(result7)

因为\d+采用贪婪匹配，直接把后面的0所有匹配了，结果0*只能匹配空字符串了。
必须让\d+采用非贪婪匹配（也就是尽量少匹配），才能把后面的0匹配出来，
加个?就可让\d+采用非贪婪匹配：

result8 = re.match(r'^(\d+?)(0*)$', '102300').groups()
print(result8)

六、正则表达式的编译

当咱们在Python中使用正则表达式时，re模块内部会干两件事情：

1. 编译正则表达式，若是正则表达式的字符串自己不合法，会报错；
2. 用编译后的正则表达式去匹配字符串。

若是一个正则表达式要重复使用几千次，出于效率的考虑，咱们能够预编译该正则表达式，
接下来重复使用时就不须要编译这个步骤了，直接匹配：

# 编译
re_telephone = re.compile(r'^(\d{3,4})-(\d{3,8})$')

# 直接使用
print(re_telephone.match('010-12345').groups())

# 直接使用
print(re_telephone.match('010-8086').groups())

编译后生成Regular Expression对象，因为该对象本身包含了正则表达式，
因此调用对应的方法时不用给出正则字符串。

七、re模块中经常使用的几个函数

（1）compile() 

compile() 编译正则表达式模式，返回一个对象的模式，这样某个模式编译一次就能够在程序中屡次使用

import re
tt = "Tina is a good girl, she is cool, clever, and so on..."
rr = re.compile(r'\w*oo\w*')
print(rr.findall(tt)) #查找全部包含'oo'的单词

（2）match() 

match() 决定RE是否在字符串刚开始的位置匹配。//注：这个方法并非彻底匹配。

当pattern结束时若string还有剩余字符，仍然视为成功。想要彻底匹配，能够在表达式末尾加上边界匹配符'$'

print(re.match('com','comwww.runcomoob').group())

（3）search()

re.search函数会在字符串内查找模式匹配,只要找到第一个匹配而后返回，若是字符串没有匹配，则返回None。

print(re.search('\dcom','www.4comrunoob.5com').group())

（4）findall() 

findall() 遍历匹配，能够获取字符串中全部匹配的字符串，返回一个列表。

p = re.compile(r'\d+')
print(p.findall('o1n2m3k4'))

（5）finditer() 

finditer() 搜索string，返回一个顺序访问每个匹配结果（Match对象）的迭代器。找到 RE 匹配的全部子串，并把它们做为一个迭代器返回。

iter = re.finditer(r'\d+','12 drumm44ers drumming, 11 ... 10 ...')
for i in iter:
print(i)
print(i.group())
print(i.span())

（6）split()

split() 按照可以匹配的子串将string分割后返回列表。
可使用re.split来分割字符串，如：re.split(r'\s+', text)；将字符串按空格分割成一个单词列表。

print(re.split('\d+','one1two2three3four4five5'))

（7）sub() 

sub() 使用re替换string中每个匹配的子串后返回替换后的字符串。

import re
text = "JGood is a handsome boy, he is cool, clever, and so on..."
print(re.sub(r'\s+', '-', text))

（8）subn() 

subn() 使用re替换string中每个匹配的子串后返回替换后的字符串，并返回替换次数

print(re.subn('[1-2]','A','123456abcdef'))
print(re.sub("g.t","have",'I get A, I got B ,I gut C'))
print(re.subn("g.t","have",'I get A, I got B ,I gut C'))

 0x03 参考连接

• https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386832260566c26442c671fa489ebc6fe85badda25cd000
• http://www.runoob.com/python3/python3-reg-expressions.html
• https://www.cnblogs.com/tina-python/p/5508402.html
• https://www.jb51.net/tools/regexsc.htm