程序地带

python中re模块的使用(正则表达式)


一、什么是正则表达式?
正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。
二、正则表达式的匹配规则
1.表示字符
·:匹配任意除换行符" "外的字符,但是在DOTALL模式中也可以匹配换行符" "
:转义字符,使后一个字符改变原来的意思,如果字符串中想匹配*,可以使用*,也可以使用字符集[*]
[...]:字符集,匹配字符集中列出的任意字符。字符可以逐个列出,也可以给出范围,比如[a-z],[0-9],第一个字符是^表示取反。所有特殊字符在字符集中都失去其原有的特殊含义。如果想使用"]","-"或者"^",可以在前面加上,或者将]或者-放在首位,将^放在非首位
2.预定义字符集(可写在字符集[]中)
d:数字[0-9]
D:非数字[^0-9]
s:空白字符[<空格>, , , ,f,v]
S:非空白字符[^s]
w:单词字符[a-zA-Z0-9_],在python3的re模块中,w也能匹配上中文
W:非单词字符[^w]
3.表示数量
*:匹配前一个字符0次或无限次,即可有可无
+:匹配前一个字符出现1次或者无限次,即至少有1次
{m}:匹配前一个字符出现m次
{m,}:匹配前一个字符至少出现m次
{,n}:匹配前一个字符至多出现n次
{m,n}:匹配前一个字符出现从m到n次
4.表示边界
^:匹配字符串开头。在多行模式中匹配每一行的开头
$:匹配字符串结尾。在多行模式中匹配每一行的结尾
A:仅匹配字符串开头
:仅匹配字符串结尾
:匹配单词边界,w和W之间
B:匹配非单词边界,[^]
5.匹配分组
|:匹配左右任意一个表达式
(...):被括起来的表达式作为一个分组,从表达式左边开始,每遇到一个"(",编号+1。分组表达式作为一个整体,后面可接数量词。表达式中的|仅在该分组中有效
(?P<name>):分组,除了原有的编号以外,再给分组取一个别名
(?P=<name>):引用别名为<name>的分组匹配到的字符串
<number>:引用编号为<number>的分组匹配到的字符串
6.特殊构造(不作为分组)
(?:...):(...)的不分组版本,用于使用"|"或后面接上数量词,比如(?:[1-9]?d|100)表示匹配数字0-100,(?:abc){2}表示匹配abcabc
剩下的一些不常见,略
三、re模块

在 Python中,我们可以使用内置的 re 模块来使用正则表达式。与大多数编程语言相同,正则表达式里使用""作为转义字符,这就可能造成反斜杠困扰。Python里的原生字符串很好地解决了这个问题,只需要在字符串前面加上"r"前缀。


re模块的一般使用步骤:

使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象


通过 Pattern 对象提供的一系列方法对文本进行匹配查找


1.compile函数
compile 函数用于编译正则表达式,生成一个 Pattern 对象。必须传入的第一个参数是"规则字符串",另外可以通过第二个参数(flags)来指定匹配模式。
常见的匹配模式:
re.I(re.IGNORECASE): 忽略大小写
re.M(MULTILINE): 多行模式,改变’^’和’$’的行为
re.S(DOTALL): 点任意匹配模式,改变’.’的行为,可以匹配" "
import re
# 将正则表达式编译成 Pattern对象,并指定匹配模式为点任意匹配模式
pattern = re.compile(r"d+",re.S)
2.Pattern 对象的一些常用方法
match方法
match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。
它的一般使用形式如下:
match(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。


当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
Match对象常用的方法:
group(([group1, …]):用于获得一个或多个分组匹配的字符串,如果传入多个分组编号,则返回的结果为元组形式。当要获得整个匹配的子串时,可直接使用 group() 或 group(0);
groups():获得所有分组匹配到的字符串所构成的元组
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;
span([group]) 方法返回 (start(group), end(group)),获取分组匹配的子串在整个字符串中的起始和结束位置构成的元组。
通过一些例子来熟悉一下:
In [1]: import re
In [2]: pattern = re.compile(r"(w+) (d+)")
In [3]: m = pattern.match("hello 123")
In [4]: m.group(1)
Out[4]: "hello"
In [5]: m.group(1,2)
Out[5]: ("hello", "123")
In [6]: m.group()
Out[6]: "hello 123"
In [7]: m.groups()
Out[7]: ("hello", "123")
In [8]: m.start(1)
Out[8]: 0
In [9]: m.start(2)
Out[9]: 6
In [10]: m.end(1)
Out[10]: 5
In [11]: m.span(1)
Out[11]: (0, 5)
In [12]: m.span(2)
Out[12]: (6, 9)
search方法
search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果
它的一般使用形式如下:
search(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。


看看例子
>>> import re
>>> pattern = re.compile("d+")
>>> m = pattern.search("one12twothree34four") # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
"12"
>>> m = pattern.search("one12twothree34four", 10, 30) # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
"34"
>>> m.span()
(13, 15)
findall方法
上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。


在‘规则字符串’中,我们还可以通过分组()对匹配的结果做进一步筛选。
findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。
看个例子:
In [1]: import re
In [2]: pattern = re.compile("(d+)_")#只查找_前面的数据
In [3]: pattern.findall("111_222a 333b 444_")
Out[3]: ["111", "444"]
finditer方法
finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。
举例:
In [1]: import re
In [2]: pattern = re.compile(r"d+")
In [3]: iter = pattern.finditer("hello123world456 haha789")
In [4]: iter
Out[4]: <callable_iterator at 0x7fb824fe2a90>
In [5]: for m in iter:
...: print(m.group())
...:
123
456
789
split方法
split 方法按照能够匹配的子串将字符串分割后返回列表
它的使用形式如下:
split(string[, maxsplit])

其中,maxsplit 用于指定最大分割次数,不指定将全部分割。


举个例子:
In [1]: import re
In [2]: pattern = re.compile(r"[ds]")
In [3]: pattern.split("hello1word2aaa bbb")
Out[3]: ["hello", "word", "aaa", "bbb"]
In [4]: pattern.split("hello1word2aaa bbb",2)
Out[4]: ["hello", "word", "aaa bbb"]
sub方法
sub 方法用于替换。
它的使用形式如下:
sub(repl, string[, count])

其中,repl 可以是字符串也可以是一个函数:


如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0,注意repl应是带前缀"r"的原生字符串;
如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
count 用于指定最多替换次数,不指定时全部替换。
In [1]: import re
In [2]: pattern = re.compile(r"d+")
In [3]: pattern.sub("100","hello20 world30")#将所有匹配到的数据替换成100
Out[3]: "hello100 world100"
In [4]: pattern.sub("100","hello20 world30",1)#只替换第一个数据为100
Out[4]: "hello100 world30"
In [5]: def add(temp):
...: """将匹配到的数据加1"""
...: strNum = temp.group()
...: num = int(strNum)+1
...: return str(num)
In [6]: pattern.sub(add,"hello20 world30")#将所有匹配到的数据加1
Out[6]: "hello21 world31"
In [7]: pattern.sub(add,"hello20 world30",1)#只将匹配到的第一个数据加1
Out[7]: "hello21 world30"
In [8]: pattern = re.compile("(d+) (w+)")
In [9]: pattern.sub(r"2哈哈1","123 abc 456 def")#使用原生字符串,成功引用分组匹配到的字符串
Out[9]: "abc哈哈123 def哈哈456"
In [10]: pattern.sub("2哈哈1","123 abc 456 def")#不使用原生字符串,未成功引用分组匹配到的字符串
Out[10]: "x02哈哈x01 x02哈哈x01"
四、贪婪模式与非贪婪模式
贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配
非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配
在表示数量的"*","?","+","{m,n}"后面加上?,使贪婪模式变成非贪婪模式
In [1]: import re
In [2]: pattern = re.compile(r"d+")
In [3]: pattern.match("123456789").group()
Out[3]: "123456789"
In [4]: pattern = re.compile(r"d+?")#关闭贪婪模式
In [5]: pattern.match("123456789").group()#非贪婪模式下,+只匹配一个字符
Out[5]: "1"
In [6]: pattern = re.compile(r"<div>.*</div>")
In [7]: pattern.match("<div>test1</div>bb<div>test2</div>").group()
Out[7]: "<div>test1</div>bb<div>test2</div>"
In [8]: pattern = re.compile(r"<div>.*?</div>")#关闭贪婪模式
In [9]: pattern.match("<div>test1</div>bb<div>test2</div>").group()
Out[9]: "<div>test1</div>"
五、匹配中文
在某些情况下,我们想匹配文本中的中文,我们可以利用中文的unicode编码范围主要在 [u4e00-u9fa5]来进行匹配,虽然这个范围并不完整,比如没有包括全角(中文)标点,但在大部分情况下应该已经够用了。
举个例子:
In [1]: import re
In [2]: pattern = re.compile("[u4e00-u9fa5]+")#只匹配中文
In [3]: pattern.findall("hello你好world世界")
Out[3]: ["你好", "世界"]

 


版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://www.cnblogs.com/Elite-Wang/p/14288152.html

随机推荐

plsql连接oracle中文乱码

plsql连接oracle中文乱码

plsql连接oracle中文乱码1、查询当前数据库使用语言2、配置本机语言环境变量3重启编译器1、查询当前数据库使用语言selectuserenv('language')fromdu...

xiaowu94520 阅读(716)

社区团购到底有什么魔力

社区团购到底有什么魔力,送外卖的,做电商的,连滴滴也想插一脚。其实社区团购可以比喻成超市,换算下来它的体量超过万亿,也怪不得各位互...

hzcya911 阅读(545)

Java开发前奏之Java运算符

Java开发前奏之Java运算符

运算符1.算术运算符2.赋值运算符3.比较运算符4.逻辑运算符5.位运算符6.移位操作符7.三元运算符8.运算符的优先级与结合性1.算术运算符正负号(+,-)除法%取模求余数取模的正负取决与被...

小小测试虾皮糖 阅读(162)