【Python】正则表达式-CFANZ编程社区

正则表达式

定义

正则表达式是一个特殊的字符序列，它能帮助我们检查一个字符串是否与某种模式匹配。re 模块使 Python 语言拥有全部的正则表达式功能。
compile 函数根据一个模式字符串和可选的标志参数生成一个正则表达式对象。该对象拥有一系列方法用于正则表达式匹配和替换。re 模块也提供了与这些方法功能完全一致的函数，这些函数使用一个模式字符串做为它们的第一个参数。

re函数

re.compile

compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。re.S匹配回车

re.compile(r'', re.S)

re.match

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。

# pattern：匹配的正则表达式，string：要匹配的字符串，flags：标志位（如：是否区分大小写，多行匹配等）
re.match(pattern, string, flags=0)

我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

group(num=0)：匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。
groups()：返回一个包含所有小组字符串的元组，从 1 到所含的小组号。

例如：

import re

# 在起始位置匹配
print(re.match('hello', 'hello world').span())
# 结果：(0, 5)

# 不在起始位置匹配
print(re.match('world', 'hello world').span())
# 结果：None

import re

strs = "hi xdg hello world"
# .* 表示任意匹配除换行符（\n、\r）之外的任何单个或多个字符
# (.*?) 表示"非贪婪"模式，只保存第一个匹配到的子串
matchObj = re.match(r'(.*) xdg (.*?) .*', strs, re.M | re.I)
if matchObj:
    print("matchObj.group() : ", matchObj.group())
    print("matchObj.group(1) : ", matchObj.group(1))
    print("matchObj.group(2) : ", matchObj.group(2))
else:
    print("No match!!")
    
# 结果：
# matchObj.group() :  hi xdg hello world
# matchObj.group(1) :  hi
# matchObj.group(2) :  hello

re.search

re.search 扫描整个字符串并返回第一个成功的匹配。

# pattern：匹配的正则表达式，string：要匹配的字符串，flags：标志位（如：是否区分大小写，多行匹配等）
re.search(pattern, string, flags=0)

我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

group(num=0)：匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。
groups()：返回一个包含所有小组字符串的元组，从 1 到所含的小组号。

例如：

import re

# 在起始位置匹配
print(re.search('hello', 'hello world').span())
# 结果：(0, 5)

# 不在起始位置匹配
print(re.search('world', 'hello world').span())
# 结果：(6, 11)

import re

strs = "hi xdg hello world"
searchObj = re.search( r'(.*) xdg (.*?) .*', strs, re.M|re.I)
if searchObj:
   print ("searchObj.group() : ", searchObj.group())
   print ("searchObj.group(1) : ", searchObj.group(1))
   print ("searchObj.group(2) : ", searchObj.group(2))
else:
   print ("Nothing found!!")

# 结果：
# searchObj.group() :  hi xdg hello world
# # searchObj.group(1) :  hi
# searchObj.group(2) :  hello

re.match与re.search的区别

re.match：只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回 None，
re.search：匹配整个字符串，直到找到一个匹配。

re.findall

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果有多个匹配模式，则返回元组列表，如果没有找到匹配的，则返回空列表。

注意： match 和 search 是匹配一次 findall 匹配所有。

re.findall(pattern, string, flags=0)
# 或
pattern.findall(string[, pos[, endpos]])

参数：

pattern：匹配模式。
string：待匹配的字符串。
pos：可选参数，指定字符串的起始位置，默认为 0。
endpos：可选参数，指定字符串的结束位置，默认为字符串的长度。

例如：

import re

result1 = re.findall(r'xdg', 'hi xdg hello world xdg')
print(result1)
# 结果：['xdg', 'xdg']

pattern = re.compile(r'xdg')
result2 = pattern.findall('hi xdg hello world xdg')
print(result2)
# 结果：['xdg', 'xdg']

result3 = pattern.findall('hi xdg hello world xdg', 0, 10)
print(result3)
# 结果：['xdg']

re.finditer

和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。

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

参数：

pattern：匹配的正则表达式
string：要匹配的字符串。
flags：标志位，是否区分大小写，多行匹配等

例如：

import re

it = re.finditer(r".*","xdg")
for match in it:
    print (match.group())
    
# 结果：
# x
# d
# g

检索和替换

re.sub

Python 的re模块提供了re.sub用于替换字符串中的匹配项。

re.sub(pattern, repl, string, count=0, flags=0)

参数：

pattern（必填） : 正则中的模式字符串。
repl（必填）: 替换的字符串，也可为一个函数。
string（必填） : 要被查找替换的原始字符串。
count: 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。
flags: 编译时用的匹配模式，数字形式。

例如：

import re

strs = "hi xdg hello world"
num = re.sub(r'hi xdg', "", strs)
print(num)
# 结果： hello world

re.split

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：

re.split(pattern, string[, maxsplit=0, flags=0])

参数：

pattern：匹配的正则表达式
string：要匹配的字符串。
maxsplit：分割次数，maxsplit=1 分割一次，默认为 0，不限制次数。
flags：标志位，是否区分大小写，多行匹配等

例如：

import re
strs = re.split('xdg', 'hello world xdg')
print(strs)
# 结果：['hello world ', '']

strs = re.split('小呆瓜', 'hello world xdg')
print(strs)
# 找不到匹配的字符串而言，split 不会对其作出分割
# 结果：['hello world xdg']

正则表达式标志

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：

修饰符	描述
re.I	使匹配对大小写不敏感
re.L	做本地化识别（locale-aware）匹配
re.M	多行匹配，影响 ^ 和 $
re.S	使 . 匹配包括换行在内的所有字符
re.U	根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B.
re.X	该标志通过给予你更灵活的格式以便你将正则表达式写得更易于理解。

正则表达式模式

模式字符串使用特殊的语法来表示一个正则表达式。
字母和数字表示他们自身。一个正则表达式模式中的字母和数字匹配同样的字符串。
多数字母和数字前加一个反斜杠时会拥有不同的含义。
标点符号只有被转义时才匹配自身，否则它们表示特殊的含义。
反斜杠本身需要使用反斜杠转义。
由于正则表达式通常都包含反斜杠，所以你最好使用原始字符串来表示它们。模式元素(如r’\t’，等价于\t)匹配相应的特殊字符。

模式	描述
^	匹配字符串的开头
$	匹配字符串的末尾。
.	匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
[…]	用来表示一组字符,单独列出：[amk] 匹配 ‘a’，‘m’或’k’
[^…]	不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。
re*	匹配0个或多个的表达式。
re+	匹配1个或多个的表达式。
re?	匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
re{ n}	匹配n个前面表达式。例如，"o{2}“不能匹配"Bob"中的"o”，但是能匹配"food"中的两个o。
re{ n,}	精确匹配n个前面表达式。例如，"o{2,}“不能匹配"Bob"中的"o”，但能匹配"foooood"中的所有o。"o{1,}“等价于"o+”。"o{0,}“则等价于"o*”。
re{ n, m}	匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
a\| b	匹配a或b
(re)	匹配括号内的表达式，也表示一个组
(?imx)	正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。
(?-imx)	正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。
(?: re)	类似 (…), 但是不表示一个组
(?imx: re)	在括号中使用i, m, 或 x 可选标志
(?-imx: re)	在括号中不使用i, m, 或 x 可选标志
(?#…)	注释.
(?= re)	前向肯定界定符。如果所含正则表达式，以 … 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。
(?! re)	前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功。
(?> re)	匹配的独立模式，省去回溯。
\w	匹配数字字母下划线
\W	匹配非数字字母下划线
\s	匹配任意空白字符，等价于 [\t\n\r\f]。
\S	匹配任意非空字符
\d	匹配任意数字，等价于 [0-9]。
\D	匹配任意非数字
\A	匹配字符串开始
\Z	匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
\z	匹配字符串结束
\G	匹配最后匹配完成的位置。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配"never" 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。
\B	匹配非单词边界。‘er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。
\n, \t, 等。	匹配一个换行符。匹配一个制表符, 等
\1…\9	匹配第n个分组的内容。
\10	匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式。

总结

正则表达可以快速高效的查找和分析字符串，也可以用于验证一个字符串是否符合某个给定的规则。我们可以进行数据有效性验证，例如，可以对一个输入字符串进行测试，看在该字符串是否存在邮箱模式或手机号模式等。替换文本，可以在文档中使用一个正则表达式来标识特定文字，然后可以全部将其删除，或者替换为别的文字。根据模式匹配从字符串中提取一个子字符串。一般用于表单验证或者爬虫数据提取。