python正则表达式

发表于 更新于

python 中的正则表达式

正则表达式用来匹配字符串中特定的字符

正则表达式简称 regex
例如\d 是一个正则表达式,表示以为数字字符,即任何一位 0-9 的数字.

python 中的所有表达式的函数都在 re 模块中例如

1
2
3
4
import re

phonNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')

匹配 regex 对象

regex 对象的 search 方法传入要查找的字符串,寻找该正则表达式的所有匹配,如果
没有找到则返回 none,如果找到了该模式,search 方法返回一个 match 对象,match 对象,有一个 group 方法,他返回被查找字符串中实际匹配的文本

mo = phonNumRegex.search(‘my number is 455-333-1234’)
print(f’phone number is: {mo.group()}’)

在 python 中使用正则表达式有几个步骤:
使用 import re 导入模块
使用 re.complile 函数方法创建一个 regex 对象
想 regex 对象的 search 方法传入想要查找的字符串,他返回一个 match 对象
调用 match 对象的 group 方法,返回实际匹配文本的字符串

用正则表达式匹配更多模式

利用括号分组

假定想要将区号从电话号码中分离,添加括号将在正则表达式中分组:(\d\d\d)-(\d\d\d-\d\d\d),然后使用 group 匹配对象方法,冲分组中获取匹配的文本

1
2
3
4
5
6
7

phonNumRegex = re.compile(r'(\d\d\d)-(\d\d\d-\d\d\d\d)')

mo = phonNumRegex.search('my phone is 444-111-3123')
print(mo.group(1))  # 获得区号
print(mo.group(2))  # 获得电话号码

如果一次性要获得所有分组需要调用 groups()

1
2

print(mo.groups())   # 获得所有分组结果为元组

利用管道匹配多个分组字符|称为管道,希望匹配许多表达式中的一个时,就可以使它,例如 r’Batman|Tina Fey’ 将匹配’Batman’ 或 ‘Tina Fey’

1
2
3
4
5
6
7
heroRegex = re.compile(r'Batman|Tian Fay')
mo1 = heroRegex.search('Batman and Tina Fay')
print(mo1.group())

mo2 = heroRegex.search('Tian fey and Batman')
print(mo2.group())

利用 findall 方法可以找到所有匹配的方法,后面会讲 print(‘_’ _ 32)使用问好实现可选匹配有时候匹配的模式是可选的,也就是说无论这段文本在不在,正则表达式都会认为匹配字符?标识他前面的分组在这个模式中是可选的,例如

1
2
3
4
5
6
7
batRegex = re.compile(r'Bat(wo)?man')

mo1 = batRegex.search('the adventures of Batman')
print(mo1.group())

mo2 = batRegex.search('the adventures of Batwoman')
print(mo2.group())

使用星号进行 0 次或者多次的匹配

意味着要进行 0 次或者多次的匹配,即在之前进行分组,可以在文本中出现任意次数
也可以完全不存在,或一次又一次的重复例如:

1
2
3
4
5
6
7
8

batRegex = re.compile(r'Bat(wo)*man')

mo1 = batRegex.search('the adnentures of Batman')

print(mo1.group())

mo2 = batRegex.search('the adnentures of Batwowowowowowoman')

使用加号匹配一次或者多次

  • 意味着匹配 0 次或者多次,+则意味着匹配一次或者多次,星号不要求分组出现在匹配
    的字符串中,但是加号不同,加号前面的分组必须’至少出现一次’
1
2
3
4
5
6
7
8
batRegex = re.compile(r'Bat(wo)+man')

mo1 = batRegex.search('the adventures of Batwoman')



# 如果wo一次也没有出现那么会报错
print(mo1.group())

使用花括号匹配特定次数

如果想要一个分组特定次数,就在正则表达式中改分组的后面,跟上花括号包裹的数字
例如正则表达式的(Ha){3}将匹配字符串’HaHaHa’,但不会匹配’HaHa’因为后者字符串只出现了两次除了一个数字,还可以指定一个范围,即在花括号中写下一个最小值,一个逗号一个最大值例如(Ha){1,3} 将匹配’HaHaHa’ ‘HaHa’ ‘Ha’,也可以不写花括号中的第一个或者第二个数字,不限定最小值和最大值例如(ha){3,}将匹配三次和更多次数,(ha){,5}将匹配 0 到 5 次

1
2
3
4
5
6
7
8
haRegex = re.compile(r'(ha){3}')
mo = haRegex.search('hahaha')

print(mo.group())

mo1 = haRegex.search('ha')
print(mo1 == None)

贪心匹配和非贪心匹配

在字符串’hahaha’中因为(ha){1,3}可以匹配 1,2,3 个实例,那么为什么字符串
‘hahaha’的 Match 对象调用 group()方法会返回’hahaha’而不是’ha’之类的比较短的结果因为 python 的正则表达式默认是匹配更多的即’贪心’的,这表示在二意的情况去,它会尽可能的匹配最长的字符串,而花括号的非贪心版本匹配尽可能短的字符串,即在结束的花括号后跟着一个问好

1
2
3
4
5
greedyHaRegex = re.compile(r'(ha){3,5}?')

mo = greedyHaRegex.search('hahahahaha')

print(mo.group())

findall()方法

除了 search 方法之外 Regex 对象还有一个 findall 方法,search 方法将返回一个 Match 对象包含被查找字符串中第一次匹配的的文本,而 findall 方法将返回一组字符串,包含被查找字符串中的所有匹配

1
2
3
4
phonNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')

mo = phonNumRegex.search('call: 515-222-1234 work: 121-333-1231')
print(mo.group())

findall 方法返回一个列表

1
print(phonNumRegex.findall('call: 515-222-1234 work: 121-333-1231'))
  • 字符分类
  • \d 0-9 的任何数字
  • \D 除了 0-9 之外的任意字符
  • \w 任何字母,数字或下划线(可以认为是匹配’单词’字符)
  • \W 除了字母,数字和下划线以外的任何字符
  • \s 空格,制表符或换行符(可以认为匹配’空白’字符)
  • \S 除了空格制表符或者换行符以外的任何字符

字符分类对于缩短正则表达式很有用,字符分类[0-5]只匹配数字 0-5

插入字符

可以在正则表达式的开始处使用插入符号^,标明匹配必须发生在被查找文本的开始处类似的,可以在正则表达式的末尾加上$,表示该字符串必须以这个正则表达式的模式结束可以同时使用^和$

例如使用 r’Hello’匹配以’Hello’开始的字符串

1
2
3
4
5
6
beginsWithHello = re.compile(r'^hello')

mo = beginsWithHello.search('hello world')

print(mo.group())

beginsWithHello.search(‘he said hello’) 这条是无法匹配的

正则表达式 r’\d$‘匹配以数字 0-9 结束的字符串

1
2
3
4

endsWithNumber = re.compile(r'\d$')

print(endsWithNumber.search('you number is 43').group())

正则表达 r’\d+$‘表示匹配数字开头和结尾的字符串

1
2
3
4
wholeStringIsNum = re.compile(r'\d+$')

print(wholeStringIsNum.search('3 is 33').group())

通配字符

在正则表达式中 . 字符被称为”通配符”,它匹配除了换行之外的所有字符

1
2
3
atRegex = re.compile(f'.at')

print(atRegex.findall('the can in the hat sat on the flat mat'))

.at 只匹配一个字符这也就是上面的 flat 只匹配到 flat

用.* 匹配所有字符

1
2
3
4
nameRegex = re.compile(f'First Name:(.*) Last Name:(.*)')

print(nameRegex.search('First Name: AL Last Name: Sweigart').group())

用句点字符匹配换行

.*将匹配除了换行之外的所有字符,通过传入 re.DOTALL 作为 re.compole 的第二个参数
可以让.匹配所有字符,包括换行符

1
2
3
4

noNewLineRegx = re.compile('.*', re.DOTALL)
print(noNewLineRegx.search('serve the public trust .\n Protect the innocent').group())

正则表达式符号复现

  • ?匹配零次或者一次前面的分组
  • *匹配零次或者多次前面的分组
  • +匹配一次或者多次前面的分组
  • {n}匹配 n 次前面的分组
  • {n,}匹配 n 次到多次前面的分组
  • {,m} 匹配零次到 m 次前面的分组
  • {n,m}匹配至少 n 次,至多 m 次前面的分组
  • {n,m}?或*?或+?对前面的分组都是进行非贪心算法
  • ^spam 意味着字符串必须与 spam 开始
  • spam$ 意味着字符串必须与 spam 结尾
  • .匹配所有字符,除了换行符
  • \d,\w,\s 分别匹配数字单词和空格
  • \D,\W,\S 分别匹配出数字,单词和空格外的所有字符
  • [abc]匹配方括号内的任意字符
  • [^abc]匹配不在方括号内的任意字符

不区分大小写

不区分大小写可以向 compile 传入第二个参数 re.I 或者 re.IGNORECASE

1
2
3
4
pobocop = re.compile(r'robocop', re.I)

print(pobocop.search('RoboCop is ...').group())

使用 sub 方法替换字符串

正则表达式不仅能够找到文本模式,而且能够用新的文本替换掉这些模式,Regex 对象的 sub 方法需要传入两个参数,第一个是字符串,用于取代发现的匹配,第二个参数是一个字符串,用于正则表达式匹配的内容,返回替换完成的字符串

1
2
3
4
nameRegex = re.compile(r'Agent \w+')

print(nameRegex.sub('GENSORED', 'Agent Alice gave the secret document to Agent Bob'))