正则表达式

Hox Zheng Feb 13, 2018

正则表达式

什么是正则表达式

描述祖字符串排列的一套规则. 可以按照需要, 找到某一类符合某种格式的信息.

正则表达式基础知识

原子

普通字符作为原子
非打印字符作为原子, 所谓非打印字符, 即在字符串中用于格式控制的符号, 比如换行符(‘\n’)等等.
通用字符作为原子:
- \w 匹配任意一个字母, 数字, 下划线
- \W 匹配除字母, 数字和下划线意外的任意一个字符
- \d 匹配任意一个十进制数
- \D 匹配除了十进制数以外的任意一个其他字符
- \s 匹配任意一个空白字符
- \S 匹配除空白字符以外的任意一个其他字符
原子表, 下面详细叙述

原子表

用于定义一组地位平等的原子, 然后匹配的时候会取该原子表中的任意一个原子进行匹配
[xyz] 表示x,y,z 均可匹配
[^xyz] 表示除了x,y,z 其他均满足表达式

元字符

所谓元字符, 就是正则表达式中具有一些特殊含义的字符, 比如重复N次前面的字符等.

符号	含义	符号	含义
.	匹配除了换行符意外的任意字符	^	匹配字符串的开始位置
$	匹配字符串的结束位置	*	匹配0,1或者多次前面的原子
?	匹配0次或者1次前面的原子	+	匹配1次或者多次前面的原子
{n}	前面的原子恰好出现n此	{n,}	前面的原子至少出现n次
{n,m}	前面的原子出现n到m次	\		模式选择符
()	模式单元符

含义多次提到前面的字符, 意思就是: x* 表示x可以出现任意次.

边界限制元字符

^xyz 表示必须以xyz开头
xyz$ 表示必须以xyz结尾

限定符

x.*y 表示x,y之间可以有任意长度的任意字符.
cd{2} 表示cdd
cd{2,4} 表示c后面有2~4个d

模式选择符

使用模式选择符, 可以设置多个模式, 匹配时, 可以从中选择任意一个模式匹配. 比如:

“python|php” 表示python和php均满足条件

模式单元符

可以将一些原子组成一个原子. 举个例子

xy{2,} 表示 y 可以出现2次以上
而(xy){2,} 表示 xy 这个整体出现两次以上

模式修正

所谓模式修正, 即不改变正则表达式的情况下, 通过模式修正符改变正则表达式的含义, 从而实现匹配结果的调整.

符号	含义	符号	含义
I	匹配时忽略大小写	M	多行匹配
L	做本地化识别匹配	U	根据Unicode字符集解释字符
S	让.匹配包括换行符. 即用了该模式修正之后, “.”就可以匹配任意字符了

实例:

#encoding:utf-8
import re
try:
    pattern = "python"
    string = "PYTHOn"
    result1 = re.search(pattern,string,re.I)
    result2 = re.search(pattern,string)
    print("使用修正符%s"%result1)
    print("如果不使用%s"%result2)
except Exception as e:
    print(e)

运行结果:

使用修正符<_sre.SRE_Match object; span=(0, 6), match='PYTHOn'>
如果不使用None

贪婪模式与懒惰模式

先来看看Python中贪婪和懒惰的定义

贪婪: 尽可能多的匹配
懒惰: 尽可能少的匹配, 采取就近匹配的原则, 让匹配结果更为准确.

import re
try:
    pattern1 = "p.*y" ##贪婪模式
    pattern2 = "p.*?y" ##懒惰模式
    string = "abcdefphp345pythony_py"
    result1 = re.search(pattern1,string)
    result2 = re.search(pattern2,string)
    print(result1)
    print(result2)
except Exception as e:
    print(e)

结果:

<_sre.SRE_Match object; span=(6, 22), match='php345pythony_py'>
<_sre.SRE_Match object; span=(6, 14), match='php345py'>

使用贪婪模式,: .*
转换为懒惰模式: 相应的 .*后面加上 ?

正则表达式常见函数

re.match()函数

想要从元字符串的起始位置匹配一个模式?

match(pattern, string, flags=0)

flags 是对应的标志位, 可以放模式修正符等信息.

import re
string = 'apythonbcpythonoo'
pattern = '.python.'
result1 = re.match(pattern,string)
result2 = re.match(pattern,string).span()
print(result1)
print(result2)

运行结果:

<_sre.SRE_Match object; span=(0, 8), match='apythonb'>
(0, 8)   ##span 只显示位置信息.

re.search() 函数

一个例子看清 search函数和 match函数的区别:

import re
string = 'asdadasapythonbcpythonoo'
pattern = '.python.'
result1 = re.match(pattern,string)
result2 = re.search(pattern,string)
print('使用match:%s'%result1)
print('使用search:%s'%result2)

运行结果

使用match:None
使用search:<_sre.SRE_Match object; span=(7, 15), match='apythonb'>

可以看到, match只从开始匹配, 而search是从整个string寻找. 如果开头不匹配, match一定是None, 而只要后面包括pattern, 那么search就会返回目标位置.

findall() 函数

上面两个函数只是匹配第一个成功匹配的结果, 那么如果把所有符合的内容全部找到呢?

使用re.compile() 对正则表达式进行预编译
编译后, 使用findall() 根据正则表达式找到匹配的全部结果.

import re
string = 'asdadasapythonbcpythonoo'
pattern = re.compile('.python.')
result = pattern.findall(string)
print(result)

运行结果

['apythonb', 'cpythono']

re.sub() 函数

想根据正则表达式来实现替换某些字符串

sub(pattern, repl, string, count=0, flags=0)
- pattern: 正则表达式
- rep: 要替换成的字符串
- string: 源字符串
- count: 最多替换count次, 默认全部替换.
- flags: 标志位, 用于放模式修正符

import re

string = 'Tom and tim love Jerry'
pattern = "T.m"
rep = 'Hox'
result = re.sub(pattern,rep,string,flags=re.I)
print(result)

运行结果

Hox and Hox love Jerry

常见实例解析

实例1: 匹配.com 和 .cn的URL 网址

import re

pattern = "[a-zA-Z]+://[\S]+[.com|.cn]"
string = "dasdfasdfasdf http://www.baidu.comdasdfasdf"
result = re.search(pattern,string)
print(result)

运行结果

<_sre.SRE_Match object; span=(14, 34),match='http://www.baidu.com'>

分析:
- URL格式: 协议 :// 域名 .com/.cn
- 协议可以是任意长度(大于1)的字母的组合, 所以用 [a-zA-Z]+ 表示
- 中间的域名不能使用空格以外的任意字符串, 所以用 \S+ 表示\
- 最后用模式选择符表示 .com 和 .cn

实例2: 匹配电话号码

import re

string = "Hox's python number is 0351-5207923, 这是我很小的时候家里>的固话号码"
## 电话号码, 有两种, 一种是3位区号+8位数字, 另一种是4位区号+7位数字
pattern = "\d{3}-\d{8}|\d{4}-\d{7}"
result = re.search(pattern,string)
print(result)

运行结果

<_sre.SRE_Match object; span=(23, 35), match='0351-5207923'>

实例3: 匹配电子邮件地址

import re

string = "Hox's email is 213162855@seu.edu.cn"
pattern = '\w+([.+-]\w+)*@\w+([.-]\w+)*\.\w+([.-]\w+)*'
result = re.search(pattern,string)
print(result)

运行结果

<_sre.SRE_Match object; span=(15, 35),match='213162855@seu.edu.cn'>