python成长技能之正则表达式

---

一、认识正则表达式

• 什么是正则表达式
  正则表达式（英语：Regular Expression，常简写为regex、regexp或RE），又称正则表示式、正则表
  示法、规则表达式、常规表示法，是计算机科学的一个概念
• 正则表达式的作用
  正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。在很多文本编辑器里，正
  则表达式通常被用来检索、替换那些符合某个模式的文本
• 正则表达式的特点
  灵活性、逻辑性和功能性非常强；
  可以迅速地用极简单的方式达到字符串的复杂控制

如何在python中使用正则表达式----findall方法

python中，要使用正则表达式，需要导入re模块，基本格式如下：

re.findall(pattern, string, flags=0)

函数参数说明

flags可选值如下

举例，使用findall()方法

import restr = "hello,my name is jie"result = re.findall("jie",str)
print(result)

打印结果

['jie']

在python中使用正则表达式----match方法
re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none

import restr = "hello,my name is jie"# result = re.findall("jie",str)
# print(result)match = re.match("hello",str)
print(match.group(0))

hello

要获取匹配的结果，可以使用group(n),匹配结果又多个的时候，n从0开始递增
当匹配结果有多个的时候，也可以使用groups()一次性获取所有匹配的结果

re.search方法
re.search 扫描整个字符串并返回第一个成功的匹配

import re 
s = 'hello world hello' 
result = re.search('hello', s) 
print(result.group(0))

二、使用正则表达式匹配单一字符

• 使用正则，匹配字符串中所有的数字

import re str = "12hellowordhello12"result = re.findall("\d",str)
print(result)

打印结果

['1', '2', '1', '2']

• 使用正则，匹配字符串中所有的非数字

import re str = "12hellowordhello12"result = re.findall("\D",str)
print(result)

打印结果

['h', 'e', 'l', 'l', 'o', 'w', 'o', 'r', 'd', 'h', 'e', 'l', 'l', 'o']

• 使用正则匹配换页符

import re str = "12hellowordhello12" + chr(12)result = re.findall("\f",str)
print(result)

打印结果

['\x0c']

• 使用正则，匹配换行符

import restr = "hello word my name is jie"
result = re.findall("/n",str)
print(result)

打印结果

[]

三、正则表达式之重复出现数量匹配

• 匹配0次到无限次

import res = "hello world helloo hell"
print(re.findall('hello*', s))

['hello', 'helloo', 'hell']

• 匹配一次或多次

import res = "hello world helloo hell"
print(re.findall('hello+', s))

['hello', 'helloo']

• 匹配零次或一次

import res = "hello world helloo hell"
print(re.findall('hello?', s))

['hello', 'hello', 'hell']

• 匹配n次

import res = "hello world helloo hell helloo hellooo helloo helloo"
print(re.findall('hello{2}', s))

['helloo', 'helloo', 'helloo', 'helloo', 'helloo']

• 匹配至少n次

import res = "hello world helloo hell helloo hellooo helloo helloo"
print(re.findall('hello{2,}', s))

['helloo', 'helloo', 'hellooo', 'helloo', 'helloo']

• 匹配n次以上，m次以下

import res = "hello world helloo hell helloo hellooo helloo helloo"
print(re.findall('hello{2,3}', s))

['helloo', 'helloo', 'hellooo', 'helloo', 'helloo']

四、使用正则表达式匹配字符集

• 如果是连续的范围，可以使用横杠-

import restr = "110,120,130,230,250,160"
result = re.findall("1[1-9]0",str)
print(result)

['110', '120', '130', '160']

• 表示不是某范围之内的，可以使用^取反

import restr = "110,120,130,230,250,160"
result = re.findall("1[^1-9]0",str)
print(result)

[]

五、正则表达式之边界匹配

• 匹配整个字符串开头

import restr = "hello jiejie"result = re.findall("^he",str)
print(result)

['he']

• 匹配整个字符串的结尾位置

import restr = "hello jiejie e e e"result = re.findall("e$",str)
print(result)

['e']

• 匹配单词开头

import restr = "hello jiejie  hel"result = re.findall(r'\bhe',str)
print(result)

['he', 'he']

六、正则表达式之组

• 什么是组

将括号：() 之间的表达式定义为“组”（group），并且将匹配这个表达式的字符保存到一个临时区域（一个正则表达式中最多可以保存9个），它们可以用 \1 到\9 的符号来引用

• 捕获组（Capturing Groups）：
  • 使用圆括号 () 定义的组被称为捕获组
  • 捕获组可以捕获匹配的部分，并可以在后续的处理中引用这些捕获的内容
• 非捕获组（Non-Capturing Groups）：
  • 使用 (?:…) 定义的组被称为非捕获组
  • 非捕获组不会捕获匹配的部分，仅用于分组和逻辑处理

1. 假设我们有一个字符串，包含一些日期格式，如 “2023-10-01”，我们想分别捕获年、月和日

import re# 捕获组示例
text1 = "Today's date is 2023-10-01."
pattern1 = r'(\d{4})-(\d{2})-(\d{2})'
match1 = re.search(pattern1, text1)
if match1:year = match1.group(1)month = match1.group(2)day = match1.group(3)print(f'Year: {year}, Month: {month}, Day: {day}')# 输出结果
Year: 2023, Month: 10, Day: 01

代码解析

• text1：输入字符串，包含日期。
• pattern1：正则表达式模式，用于匹配日期格式。
  • (\d{4})：匹配四位数字（年份），并将其捕获为第一个组。
  • (\d{2})：匹配两位数字（月份），并将其捕获为第二个组。
  • (\d{2})：匹配两位数字（日期），并将其捕获为第三个组。
• re.search(pattern1, text1)：在 text1 中搜索与 pattern1 匹配的第一个子串。
• match1.group(1)：获取第一个捕获组（年份）。
• match1.group(2)：获取第二个捕获组（月份）。
• match1.group(3)：获取第三个捕获组（日期）。
• print(f’Year: {year}, Month: {month}, Day: {day}')：打印捕获的年、月、日。

2. 假设我们有一个字符串，包含一些电话号码，格式为 “123-456-7890”，我们想匹配这种格式，但不需要捕获每个部分

import retext = "Phone number: 123-456-7890."
pattern = r'(?:\d{3}-){2}\d{4}'match = re.search(pattern, text)
if match:print(f'Matched phone number: {match.group(0)}')# 输出结果
Matched phone number: 123-456-7890

• text2：输入字符串，包含电话号码。
• pattern2：正则表达式模式，用于匹配电话号码格式。
  • (?:\d{3}-)：匹配三位数字后跟一个连字符，但不捕获这个组（非捕获组）。
  • {2}：前面的非捕获组重复两次。
  • \d{4}：匹配四位数字。
• re.search(pattern2, text2)：在 text2 中搜索与 pattern2 匹配的第一个子串。
• match2.group(0)：获取整个匹配的子串（电话号码）。
• print(f’Matched phone number: {match2.group(0)}')：打印匹配的电话号码。

3. 假设我们有一个字符串，包含一些重复的单词，我们想找到这些重复的单词

import retext = "This is a test test of repeated repeated words words."
pattern = r'\b(\w+)\b\s+\1\b'matches = re.findall(pattern, text, re.IGNORECASE)
if matches:print(f'Repeated words: {matches}')# 输出结果
Repeated words: ['test', 'repeated', 'words']

• text3：输入字符串，包含重复的单词。
• pattern3：正则表达式模式，用于匹配重复的单词。
  • \b：单词边界。
  • (\w+)：匹配一个或多个字母或数字，并将其捕获为第一个组。
  • \b：单词边界。
  • \s+：匹配一个或多个空白字符。
  • \1：反向引用第一个捕获组，确保匹配的单词相同。
  • \b：单词边界。
• re.findall(pattern3, text3, re.IGNORECASE)：在 text3 中查找所有与 pattern3 匹配的子串，忽略大小写。
• matches3：包含所有匹配的重复单词。
• print(f’Repeated words: {matches3}')：打印所有重复的单词。

4. 假设我们有一个字符串，包含一些日期格式，如 “2023-10-01”，我们想分别捕获年、月和日，并使用命名组

import retext = "Today's date is 2023-10-01."
pattern = r'(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})'match = re.search(pattern, text)
if match:year = match.group('year')month = match.group('month')day = match.group('day')print(f'Year: {year}, Month: {month}, Day: {day}')# 输出结果Year: 2023, Month: 10, Day: 01

• text4：输入字符串，包含日期。
• pattern4：正则表达式模式，用于匹配日期格式。
  • (?P\d{4})：匹配四位数字（年份），并将其捕获为名为 year 的组。
  • (?P\d{2})：匹配两位数字（月份），并将其捕获为名为 month 的组。
  • (?P\d{2})：匹配两位数字（日期），并将其捕获为名为 day 的组。
• re.search(pattern4, text4)：在 text4 中搜索与 pattern4 匹配的第一个子串。
• match4.group(‘year’)：获取名为 year 的捕获组。
• match4.group(‘month’)：获取名为 month 的捕获组。
• match4.group(‘day’)：获取名为 day 的捕获组。
• print(f’Year: {year}, Month: {month}, Day: {day}')：打印捕获的年、月、日。

总结：

1. 捕获组：使用 () 定义，可以捕获匹配的部分
2. 非捕获组：使用 (?:…) 定义，仅用于分组和逻辑处理
3. 反向引用：使用 \n 引用第 n 个捕获组
4. 命名组：使用 (?P…) 定义，可以按名称引用捕获组

七、正则表达式之贪婪与非贪婪

贪婪匹配

默认情况下，大多数量词都是贪婪的，这意味着它们会尽可能多地匹配字符。例如：

• *：匹配前面的表达式零次或多次
• +：匹配前面的表达式一次或多次
• ?：匹配前面的表达式零次或一次
• {m,n}：匹配前面的表达式至少 m 次，最多 n 次

假设我们有一个字符串，包含一些 HTML 标签，我们想提取标签内的内容

import retext = '<div>Hello</div><div>World</div>'
pattern = r'<div>(.*)</div>'matches = re.findall(pattern, text)
print(matches)  # 输出结果
['Hello</div><div>World']

在这个例子中，.* 是贪婪的，它会尽可能多地匹配字符，因此匹配结果是从第一个 < div>到最后一个< /div>之间的所有内容

非贪婪匹配

非贪婪匹配（也称为懒惰匹配）是指量词会尽可能少地匹配字符。非贪婪匹配可以通过在量词后面加上 ? 来实现。例如：

• *?：匹配前面的表达式零次或多次，但尽可能少地匹配
• +?：匹配前面的表达式一次或多次，但尽可能少地匹配
• ??：匹配前面的表达式零次或一次，但尽可能少地匹配
• {m,n}?：匹配前面的表达式至少 m 次，最多 n 次，但尽可能少地匹配

import retext = '<div>Hello</div><div>World</div>'
pattern = r'<div>(.*?)</div>'matches = re.findall(pattern, text)
print(matches)  # 输出结果: 
['Hello', 'World']