当前位置：首页 > news >正文

Python re 模块

news 文章来源：https://blog.csdn.net/hj1993/article/details/129431737 2024/9/21 12:34:42

正则表达式是一种小型、高度专业化的编程语言。适用于任何语言，在 Python 中通过 re 模块实现。正则模式被编译成一系列的字节码，然后由 C 语言编写的匹配引擎执行。给字符串模糊匹配

正则用于匹配字符串，匹配字符串可以完全匹配和模糊匹配：

**完全匹配：**普通字符，大多数字符和字母都和自身匹配 re.findall('rose', 'lialrosetom')
**模糊匹配：**元字符，不需要完全匹配即能匹配成功 . ^ $ * + ? { } [ ] | ( ) \

元字符

正则可以使用普通字符进行完全匹配，也可以使用元字符进行模糊匹配。正则表达式中所有元字符： . ^ $ * + ? { } [ ] | ( ) \ 。

通配符

正则中用一个点（.）来表示通配符，它可以匹配除换行符（\n）以外任何字符。一个点只能匹配一个字符

>>> re.findall('s..x', 'abshuxijd')	
['shux']

开头结尾

正则中尖角号（^）用于匹配一行字符串的开头，（$）用于匹配一行字符串的结尾。必须以匹配对象开头或结尾才能匹配成功，否则匹配失败。

>>> re.findall(r'^hello,\d+','hello,123')
['hello,123']
>>> re.findall(r'^hello,\d+','hi hello,123')
[]
>>> re.findall(r'hello,\d+$','hello,123')
['hello,123']
>>> re.findall(r'hello,\d+$','hello,123s')
[]

重复匹配

不管是点（.），还是数字匹配（\d）都只能匹配一个字符或数字。要想匹配多个就要进行重复匹配，正则中能够重复匹配的元字符有：* + ? {}。

元字符	描述	元字符	描述
*	对星号前面的子表达式匹配重复 [0， ∞] 次	+	对加号前面的子表达式匹配重复 [1， ∞] 次
？	对问号前面的子表达式匹配重复 [0，1] 次，非贪婪模式	{n}	精确匹配 n 个前子表达式

**星号 ***

星号（*）可以对它前面的子表达式重复 0 次或多次。

# 对 abc 的 c 重复 0 到多次，即可匹配 ab、abc、abcc、abc...
>>> re.findall(r'abc*','ab456abc123abccc')	
['ab', 'abc', 'abccc']

加号 +

加号（+）可以对它前面的子表达式重复 1 次或多次。

>>> re.findall(r'abc+','ab456abc123abccc')			# 即至少有有一个 c
['abc', 'abccc']

问号？

问号（？）可以对它前面的子表达式重复 0 次或 1 次。

>>> re.findall(r'abc?','ab456abc123abccc')
['ab', 'abc', 'abc']

大括号 {}

大括号（{}）可以对它前面的子表达式精确重复几次，它有多重模式：

{n} ：对它前面的子表达式至少重复 n 次
{m, n} ：对它前面的子表达式重复 m 到 n 次
{0, ∞} ：相当于星号（*）
{1, ∞} ：相当于加号（+）
{0, 1} ：相当于问号（？）

>>> re.findall(r'abc{3}','ab456abc123abccc')	# c 重复 3 次，匹配到 abccc
['abccc']
>>> re.findall(r'abc{1,3}','ab456abc123abccc')  # 匹配 abc、abccc
['abc', 'abccc']
>>> re.findall(r'abc{1,3}','abc456abcc123abccc')
['abc', 'abcc', 'abccc']

管道符

管道符（|）表示或，a|b 表示 a 或 b。

>>> re.findall(r'a|b', 'abc')
['a', 'b']
>>> re.findall(r'ka|b', 'kahbc')
['ka', 'b']
>>> re.findall(r'ka|b', 'kahc')
['ka']
>>> re.findall(r'ka|b', 'ka|bhc')
['ka', 'b']

字符集

在正则表达式中，中括号（[ ] ）表示一个字符集，它用来表示一组字符。字符集中除 - ^ \ 有特殊意义外，其他元字符都是普通字符。

[mm] ：匹配 m 或 n
[^mn] ：匹配除 m、n 以外的所有字符

>>> re.findall(r'abc[de]','abcd123abce567')
['abcd', 'abce']
>>> re.findall(r'[^de]+','abcd123abce567')
['abc', '123abc', '567']

横杠 -

字符集中横杠（-）用来表示范围，[a-z] 表示 a - z 任意一个字母。

>>> re.findall(r'b[a-z]', 'bs')
['bs']
>>> re.findall(r'[1-9]','12ab45')
['1', '2', '4', '5']
>>> re.findall(r'[1-9]+','12ab45')
['12', '45']
>>> re.findall(r'[A-Za-z0-9]+','12abCD45')
['12abCD45']>>> re.findall(r'\d+@[A-Za-z0-9]+\.[a-z]+','982561639@qq.com')
['982561639@qq.com']

尖角号 ^

尖角号（^）表示非，[^\d] 除数字以外。

>>> re.findall(r'[^\d]+','abc123def')
['abc', 'def']
>>> re.findall('b[^a-z]*', 'bs213')		# s 没有匹配上，匹配停止
['b']

转义字符 \

反斜杠（\）表示对某个字符转义，可以把普通字符变成特殊字符，如：\d

>>> re.findall(r'[\d]+','abc123def456')
['123', '456']

转义字符

转义字符在元字符中是一个比较特殊的存在，在字符集里面、外面都有特殊意义。

反斜杠后面跟元字符去除特殊功能，如：\.，其中这个点变成了普通的点
反斜杠后面跟普通字符实现特殊功能，如：\d，匹配任何十进制数

转义字符 + 普通字符 = 特殊字符

\d	匹配任意十进制数，相当于 [0-9]
\D	匹配任何非数字字符，相当于 `[^0-9]`
\s	匹配任意空白字符，相当于 `[\t\n\r\f\v]`
\S	匹配任意非空白字符，相当于 `[^\t\n\r\f\v]`
\w	匹配任意字母数字字符，相当于 `[a-zA-Z0-9_]`
\W	匹配任意非字母数字字符，相当于 `[^a-zA-Z0-9_]`
\b	匹配任意一个特殊字符边界，如：空格、&、# 等

\b 在 Python 中本身是有特殊意义的，在匹配时，需要给它转义，或者加上原生字符串 r ：

>>> re.findall(r'abc\b','abc123')		# \b 匹配的是特殊字符边界，abc 后面没有空格，匹配失败
[]
>>> re.findall('abc\\b','abc 123')		# abc 后面有空格，匹配成功
['abc']
>>> re.findall(r'abc\b','abc 123')
['abc']
>>> re.findall(r'abc\b','abc#123')
['abc']

给其他字符加上转义字符时：

import re
>>> re.findall('c\l','abc\le')
[]
>>> re.findall('c\\l','abc\le')
[]
>>> re.findall('c\\\\l','abc\le')
['c\\l']
>>> re.findall(r'c\\l','abc\le')
['c\\l']

\w 和 \s 用法示例：

>>> re.findall(r'\w', '12shdk34_')		# 匹配数字字母以及下划线，加上+，匹配多个
['1', '2', 's', 'h', 'd', 'k', '3', '4', '_']
>>> re.findall(r'\w+', '12shdk34_')
['12shdk34_']>>> re.findall(r'\s+', '12 shdk 34_')	# 匹配空白字符
[' ', ' ']

**Tips：**在使用正则的时候，尽量带上原生字符串 r，可以避免不必要的麻烦。

转义字符 + 元字符 = 普通字符

给元字符加上转义字符，元字符就失去了原有的意义，变成了一个普通字符。

>>> re.findall(r'www*', 'www*')
['www']
>>> re.findall(r'www\*', 'www*')	# 要想把 * 也匹配上，就要给 * 转义
['www*']

贪婪与非贪婪

关于重复匹配，正则表达式默认是按照贪婪匹配的方式去匹配，即在符合条件的情况下，尽可能多的去匹配。而非贪婪匹配恰好与之相反。

贪婪匹配：

>>> re.findall(r'abc*','abc123abcc')	# 尽可能多的匹配（* 的范围是 0 或 多次，它取了 多 次）
['abc', 'abcc']
>>> re.findall(r'<.+>','<html><title>Hello World</title></html>')
['<html><title>Hello World</title></html>']

启用非贪婪模式，只需在表示重复的元字符后面加上一个问号（？）即可：

>>> re.findall(r'abc*?','abc123abcc')		# 尽可能少的匹配（* 的范围是 0 或 多次，它取了 0 次）
['ab', 'ab']
>>> re.findall(r'<.+?>','<html><title>Hello World</title></html>')
['<html>', '<title>', '</title>', '</html>']

在贪婪匹配下，（.*）会尽可能多的匹配字符，因此它把 123456 匹配了，只留下了一个 7 给 \d+，最后得到的内容是 7 ：

>>> content = 'Hello 1234567 World_This a Regex Demo'
>>> pattern = re.compile(r'^He.*(\d+).*Demo$')
>>> re.findall(pattern,content)
['7']

有时贪婪匹配匹配的结果并不是我们想要的那样，给我们带来了很大不便，这时我们就要使用非贪婪匹配比较合适：

>>> pattern = re.compile(r'^He.*?(\d+).*Demo$')
>>> re.findall(pattern,content)
['1234567']

修饰符

正则可以包含一些可选标志修饰符来控制匹配模式，修饰符被指定为一个可选的标志。

常见修饰符 | 修饰符 | 描述 | 修饰符 | 描述 | | ------ | -------------------------------------------------- | ------ | ---------------------------------------------------------- | | re.I | 使匹配对大小不敏感 | re.L | 使本地化识别（locale-aware）匹配 | | re.M | 多行匹配，影响 ^ 和 $ | re.S | 使 . 匹配包含换行在内的所有字符（即点（.）换行符也能匹配） | | re.U | 根据 Unicode 字符集解析字符。影响 `\w \W \b 和 \B` | reX | 通过给与你更灵活的格式以便你将正则表达式写的更易理解 |

我们知道点（.）可以匹配除换行符以外的所有字符，但是当遇到换行时，就会引发匹配失败：

import re
content = """Hello 1234567 World_This
is a Regex Demo"""
result = re.match(r'^He.*?(\d+).*?Demo$',content)
print(result.group(1))

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-2-bd9088917b1a> in <module>()3 is a Regex Demo"""4 result = re.match(r'^He.*?(\d+).*?Demo$',content)
----> 5 print(result.group(1))AttributeError: 'NoneType' object has no attribute 'group'

之所以会报没有 group 方法，是因为我们使用了点（.）匹配任意字符，但是不能匹配换行符，也就匹配失败。而我们又调用了 group 方法，针对这种情况，我们只需在 match 方法最后添加一个 re.S 的修饰符即可，以便使点（.）能匹配换行：

result = re.match(r'^He.*?(\d+).*?Demo$',content,re.S)1234567

分组

分组优先匹配组里面的内容，也只显示括号里面的。要想全部显示可以在括号前面加上（?:），进行去优先级：

>>> re.findall('www\.(baidu|163)\.com', 'www.baidu.com')
['baidu']# 在分组前面加上  ?:	表示去组的优先级
>>> re.findall('www\.(?:baidu|163)\.com', 'www.baidu.com')
['www.baidu.com']>>> re.findall('(abc)+', 'abcabcabc')
['abc']
>>> re.findall('(?:abc)+', 'abcabcabc')
['abcabcabc']

分组后的结果通过 group() 方法即可取到：

>>> re.match(r'^th.*?(\d+).*?(\d+)','this is 123456 regex 567')
<_sre.SRE_Match object; span=(0, 24), match='this is 123456 regex 567'>
>>> re.match(r'^th.*?(\d+).*?(\d+)','this is 123456 regex 567').group()
'this is 123456 regex 567'
>>> re.match(r'^th.*?(\d+).*?(\d+)','this is 123456 regex 567').group(1)
'123456'
>>> re.match(r'^th.*?(\d+).*?(\d+)','this is 123456 regex 567').group(2)
'567'

另一种分组方式，?P<组名>，通过组名取值，当匹配的结果有很多时，可以这样取值：

# 另一种分组方式，?P<组名> ，通过组名取值，当匹配的结果有很多时，可以这样取值 
>>> re.search("(?P<name>[a-z]+)", "rose18john20tom22")               
<_sre.SRE_Match object; span=(0, 4), match='rose'>     
>>> re.search("(?P<name>[a-z]+)", "rose18john20tom22").group()
'rose'>>> re.search("(?P<name>[a-z]+)", "rose18john20tom22").group('name')      # 名字分组为 name         'rose'                                                                
>>> re.search("(?P<name>[a-z]+)(?P<age>\d+)", "rose18john20tom22").group('age')    # 名字分组为 age '18'

re 模块常用方法

match 方法

match(patter, string, flags=0) 方法从字符串开始位置匹配，如果匹配成功则返回匹配位置以及 match 对象，否则返回 None。

第一个参数为正则表达式，第二个参数为待匹配的字符串。

>>> re.match('\d', 'rose56')
>>> re.match('\d', '12rose56')
<_sre.SRE_Match object; span=(0, 1), match='1'>
>>> re.match('\d', '12rose56').group()
'1'

search 方法

search(pattern, string, flags=0)方法扫描整个字符串，搜索正则表达式模式匹配的第一个位置，并返回 match 对象。如果没有与之匹配的，则返回 None。正则表达式模式即为匹配规则，需要用原生字符串来写，避免不必要的麻烦。

第一个参数为正则表达式，第二个参数为待匹配的字符串。

>>> re.search(r'abc', 'abc123abc')
<_sre.SRE_Match object; span=(0, 3), match='abc'>	# 返回第一个匹配结果的位置，以及 match 对象

使用 group() 方法可以拿到匹配结果：

>>> result = re.search(r'abc', 'abc123abc')
>>> result.group()
'abc'

使用 span() 方法可以拿到匹配结果范围：

>>> result = re.search(r'abc', 'abc123abc')
>>> result.span()
(0, 3)

split 方法

split(pattern, string, maxsplit=0, flags=0)分割字符串，返回结果存储到列表中，maxsplit 为早打分割次数。

>>> re.split(' ', 'hi hello six')	# 按空格分
['hi', 'hello', 'six']
>>> re.split('[ |]', 'hi hello|six')	# 按空格或 | 分
['hi', 'hello', 'six']
>>> re.split('[ab]', 'abc')		# 先按 a 分（a的左边为空，因此分为 '' 和 'bc'），再按 b 分（b 的左边为空，因此分为 '' 和 'c'
['', '', 'c']

sub 方法

sub(pattern, repl, string, count=0, flags=0) 方法替换原字符串某个文本，第一个参数为正则，第二个为替换成的字符串，第三个为原字符串，第四个为替换次数。并返回替换后的字符串。

>>> re.sub(r'\d+', 'A', 'abcd12df45')
'abcdAdfA'
>>> re.sub(r'\d+', 'A', 'abcd12df45', 1)
'abcdAdf45'

subn() 方法可以返回替换次数：

>>> re.subn(r'\d+', 'A', 'abcd12df45')	
('abcdAdfA', 2)

compile 方法

前面我们都是直接在 re 方法中使用正则，re 模块提供了一个 compile() 方法可以将正则编译成正则对象，以便匹配规则可以重复使用。

pattern = re.compile(r'\d+')

其他方式直接传入正则对象即可：

>>> content = '2018-11-17 17:18'
>>> pattern = re.compile(r'\d{2}:\d{2}')
>>> result = re.findall(pattern,content)
>>> result
['17:18']

finditer 方法

finditer(pattern, string, flags=0) 方法与 findall() 方法类似，不同的是前者将匹配结果封装成一个迭代器，而后者将全部匹配结果存为一个列表。

>>> ret = re.finditer('\d+', 'ss123dd456')
>>> next(ret).group()
'123'

findall 方法

search() 方法返回匹配结果的第一个内容，要想获得所有匹配内容。就需要借助 findall(pattern, string, flags=0) 方法，它会搜索整个字符串，并将匹配结果存到一个列表中。若没有匹配成功，则返回一个空列表。

>>> re.findall(r'\d+','12so45ch')
['12', '45']

元字符

通配符

开头结尾

重复匹配

管道符

字符集

转义字符

贪婪与非贪婪

修饰符

分组

re 模块常用方法

相关文章：