python中正则表达式

Posted on

re模块

re模块的使用过程

1
2
3
4
5
6
7
8
9
10
#coding=utf-8

# 导入re模块
import re

# 使用match方法进行匹配操作
result = re.match(正则表达式,要匹配的字符串)

# 如果上一步匹配到数据的话，可以使用group方法来提取数据
result.group()

re.match是用来进行正则匹配检查的方法，若字符串匹配正则表达式，则match方法返回匹配对象（Match Object），否则返回None（注意不是空字符串””）。

匹配对象Macth Object具有group方法，用来返回字符串的匹配部分。

1
2
3
4
5
6
7
8
9
10
#coding=utf-8

import re

result = re.match("itcast","itcast.cn")

result.group()

运行结果为：
itcast

表示字符

本小节，将要讲解正则表达式的单字符匹配

1
2
3
4
5
6
7
8
.	 : 匹配任意1个字符（除了\n）
[ ]	 : 匹配[ ]中列举的字符
\d	 : 匹配数字，即0-9
\D	 : 匹配非数字，即不是数字
\s	 : 匹配空白，即 空格，tab键
\S	 : 匹配非空白
\w	 : 匹配单词字符，即a-z、A-Z、0-9、_
\W	 : 匹配非单词字符
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
#coding=utf-8

import re

ret = re.match(".","a")
ret.group()

ret = re.match("[hH]","hello Python")
ret.group()

ret = re.match("[0-9]","7Hello Python")
ret.group()

ret = re.match("嫦娥\d号","嫦娥3号发射成功")
ret.group()

原始字符串

Python中字符串前面加上 r 表示原生字符串，

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。假如你需要匹配文本中的字符”\”，那么使用编程语言表示的正则表达式里将需要4个反斜杠”\”：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。

Python里的原生字符串很好地解决了这个问题，有了原始字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

1
2
3
>>> ret = re.match(r"c:\\a",mm).group()
>>> print(ret)
c:\a

表示数量

1
2
3
4
5
6
* : 匹配前一个字符出现0次或者无限次，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
? : 匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{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
{m,n} : 匹配前一个字符出现从m到n次
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import re

一个字符串第一个字母为大小字符，后面都是小写字母并且这些小写字母可有可无
ret = re.match("[A-Z][a-z]*","Mm")
ret.group()

匹配出，变量名是否有效
ret = re.match("[a-zA-Z_]+[\w_]*","_name")
ret.group()

匹配出，0到99之间的数字
ret = re.match("[1-9]?[0-9]","7")
ret.group()

匹配出，8到20位的密码，可以是大小写英文字母、数字、下划线
ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678")
ret.group()

表示边界

1
2
3
4
^  : 匹配字符串开头
$  : 匹配字符串结尾
\b : 匹配一个单词的边界
\B : 匹配非单词边界
1
2
3
4
5
6
7
8
9
# 通过$来确定末尾
ret = re.match("[\w]{4,20}@163\.com$", "xiaoWang@163.comheihei")
ret.group()

>>> re.match(r".*\bver\b", "ho ver abc").group()
'ho ver'

>>> re.match(r".*\Bver\B", "hoverabc").group()
'hover'

匹配分组

1
2
3
4
5
\      : 匹配左右任意一个表达式
(ab)   : 将括号中字符作为一个分组
\num   : 引用分组num匹配到的字符串
(?P<name>)	 : 分组起别名
(?P=name)	: 引用别名为name分组匹配到的字符串
1
2
3
4
5
6
7
8
9
10
11
# 添加|
ret = re.match("[1-9]?\d$|100","8")
ret.group()

ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")
ret.group()

匹配出<html><h1>www.itcast.cn</h1></html>

ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h2></html>")
ret.group()

re模块的高级用法

1
2
3
4
5
6
7
8
9
10
11
12
ret = re.search(r"\d+", "阅读次数为 9999")
ret.group()


ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
print(ret)

ret = re.sub(r"\d+", '998', "python = 997")
print(ret)

ret = re.split(r":| ","info:xiaoZhang 33 shandong")
print(ret)

python贪婪和非贪婪

Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；

非贪婪则相反，总是尝试匹配尽可能少的字符。

在”*”,”?”,”+”,”{m,n}”后面加上？，使贪婪变成非贪婪。

1
2
3
4
5
6
7
8
>>> s="This is a number 234-235-22-423"
>>> r=re.match(".+(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'4-235-22-423'
>>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'234-235-22-423'
>>>

正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，“.+”会从字符串的启始处抓取满足模式的最长字符，其中包括我们想得到的第一个整型字段的中的大部分，“\d+”只需一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。

1
2
3
4
5
6
7
8
9
>>> re.match(r"aa(\d+)","aa2343ddd").group(1)
'2343'
>>> re.match(r"aa(\d+?)","aa2343ddd").group(1)
'2'
>>> re.match(r"aa(\d+)ddd","aa2343ddd").group(1) 
'2343'
>>> re.match(r"aa(\d+?)ddd","aa2343ddd").group(1)
'2343'
>>>