python中的正則表達式（re模塊）
一、簡介
正則表達式本身是一種小型的、高度專業化的編程語言，而在python中，通過內嵌集成re模塊，程序媛們可以直接調用來實現正則匹配。正則表達式模式被編譯成一系列的字節碼，然後由用C編寫的匹配引擎執行。
二、正則表達式中常用的字符含義
1、普通字符和11個元字符：
| 普通字符 | 匹配自身 | abc | abc |
| . | 匹配任意除換行符"\n"外的字符(在DOTALL模式中也能匹配換行符 | a.c | abc |
| \ | 轉義字符，使後一個字符改變原來的意思 | a\.c;a\\c | a.c;a\c |
| * | 匹配前一個字符0或多次 | abc* | ab;abccc |
| + | 匹配前一個字符1次或無限次 | abc+ | abc;abccc |
| ? | 匹配一個字符0次或1次 | abc? | ab;abc |
| ^ | 匹配字符串開頭。在多行模式中匹配每一行的開頭 | ^abc | abc |
| $ | 匹配字符串末尾，在多行模式中匹配每一行的末尾 | abc$ | abc |
| | | 或。匹配|左右表達式任意一個，從左到右匹配，如果|沒有包括在()中，則它的範圍是整個正則表達式 | abc|def | abc def |
| {} | {m}匹配前一個字符m次，{m,n}匹配前一個字符m至n次，若省略n，則匹配m至無限次 | ab{1,2}c | abc abbc |
| [] | 字符集。對應的位置可以是字符集中任意字符。字符集中的字符可以逐個列出，也可以給出範圍，如[abc]或[a-c]。[^abc]表示取反，即非abc。 所有特殊字符在字符集中都失去其原有的特殊含義。用\反斜杠轉義恢復特殊字符的特殊含義。 |
a[bcd]e | abe ace ade |
| () | 被括起來的表達式將作為分組，從表達式左邊開始沒遇到一個分組的左括號“（”，編號+1. 分組表達式作為一個整體，可以後接數量詞。表達式中的|僅在該組中有效。 | (abc){2} a(123|456)c |
abcabc a456c |
這裏需要強調一下反斜杠\的作用：
- 反斜杠後邊跟元字符去除特殊功能；（即將特殊字符轉義成普通字符）
- 反斜杠後邊跟普通字符實現特殊功能；（即預定義字符）
- 引用序號對應的字組所匹配的字符串。
a=re.search(r‘(tina)(fei)haha\2‘,‘tinafeihahafei tinafeihahatina‘).group()
print(a)
結果：
tinafeihahafei
2、預定義字符集（可以寫在字符集[...]中）
| \d | 數字:[0-9] | a\bc | a1c |
| \D | 非數字:[^\d] | a\Dc | abc |
| \s | 匹配任何空白字符:[<空格>\t\r\n\f\v] | a\sc | a c |
| \S | 非空白字符:[^\s] | a\Sc | abc |
| \w | 匹配包括下劃線在內的任何字字符:[A-Za-z0-9_] | a\wc | abc |
| \W | 匹配非字母字符，即匹配特殊字符 | a\Wc | a c |
| \A | 僅匹配字符串開頭,同^ | \Aabc | abc |
| \Z | 僅匹配字符串結尾，同$ | abc\Z | abc |
| \b | 匹配\w和\W之間，即匹配單詞邊界匹配一個單詞邊界，也就是指單詞和空格間的位置。例如， ‘er\b‘ 可以匹配"never" 中的 ‘er‘，但不能匹配 "verb" 中的 ‘er‘。 | \babc\b a\b!bc |
空格abc空格 a!bc |
| \B | [^\b] | a\Bbc | abc |
這裏需要強調一下\b的單詞邊界的理解：
w = re.findall(‘\btina‘,‘tian tinaaaa‘) print(w) s = re.findall(r‘\btina‘,‘tian tinaaaa‘) print(s) v = re.findall(r‘\btina‘,‘tian#tinaaaa‘) print(v) a = re.findall(r‘\btina\b‘,‘tian#tina@aaa‘) print(a) 執行結果如下： [] [‘tina‘] [‘tina‘] [‘tina‘]
3、特殊分組用法：
| (?P<name>) | 分組，除了原有的編號外再指定一個額外的別名 | (?P<id>abc){2} | abcabc |
| (?P=name) | 引用別名為<name>的分組匹配到字符串 | (?P<id>\d)abc(?P=id) | 1abc1 5abc5 |
| \<number> | 引用編號為<number>的分組匹配到字符串 | (\d)abc\1 | 1abc1 5abc5 |
三、re模塊中常用功能函數
1、compile()
編譯正則表達式模式，返回一個對象的模式。（可以把那些常用的正則表達式編譯成正則表達式對象，這樣可以提高一點效率。）
格式：
re.compile(pattern,flags=0)
pattern: 編譯時用的表達式字符串。
flags 編譯標誌位，用於修改正則表達式的匹配方式，如：是否區分大小寫，多行匹配等。常用的flags有：
| 標誌 | 含義 |
| re.S(DOTALL) | 使.匹配包括換行在內的所有字符 |
| re.I（IGNORECASE） | 使匹配對大小寫不敏感 |
| re.L（LOCALE） |
做本地化識別（locale-aware)匹配，法語等 |
| re.M(MULTILINE) | 多行匹配，影響^和$ |
| re.X(VERBOSE) | 該標誌通過給予更靈活的格式以便將正則表達式寫得更易於理解 |
| re.U | 根據Unicode字符集解析字符，這個標誌影響\w,\W,\b,\B |
import re
tt = "Tina is a good girl, she is cool, clever, and so on..."
rr = re.compile(r‘\w*oo\w*‘)
print(rr.findall(tt)) #查找所有包含‘oo‘的單詞
執行結果如下：
[‘good‘, ‘cool‘]
2、match()
決定RE是否在字符串剛開始的位置匹配。//註：這個方法並不是完全匹配。當pattern結束時若string還有剩余字符，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符‘$‘
格式：
re.match(pattern, string, flags=0)
print(re.match(‘com‘,‘comwww.runcomoob‘).group())
print(re.match(‘com‘,‘Comwww.runcomoob‘,re.I).group())
執行結果如下：
com
com
3、search()
格式：
re.search(pattern, string, flags=0)
re.search函數會在字符串內查找模式匹配,只要找到第一個匹配然後返回，如果字符串沒有匹配，則返回None。
print(re.search(‘\dcom‘,‘www.4comrunoob.5com‘).group())
執行結果如下：
4com
*註：match和search一旦匹配成功，就是一個match object對象，而match object對象有以下方法：
- group() 返回被 RE 匹配的字符串
- start() 返回匹配開始的位置
- end() 返回匹配結束的位置
- span() 返回一個元組包含匹配 (開始,結束) 的位置
- group() 返回re整體匹配的字符串，可以一次輸入多個組號，對應組號匹配的字符串。
a. group（）返回re整體匹配的字符串，
b. group (n,m) 返回組號為n，m所匹配的字符串，如果組號不存在，則返回indexError異常
c.groups（）groups() 方法返回一個包含正則表達式中所有小組字符串的元組，從 1 到所含的小組號，通常groups()不需要參數，返回一個元組，元組中的元就是正則表達式中定義的組。
import re
a = "123abc456"
print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0)) #123abc456,返回整體
print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1)) #123
print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2)) #abc
print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3)) #456
###group(1) 列出第一個括號匹配部分，group(2) 列出第二個括號匹配部分，group(3) 列出第三個括號匹配部分。###
4、findall()
re.findall遍歷匹配，可以獲取字符串中所有匹配的字符串，返回一個列表。
格式：
re.findall(pattern, string, flags=0)
p = re.compile(r‘\d+‘)
print(p.findall(‘o1n2m3k4‘))
執行結果如下：
[‘1‘, ‘2‘, ‘3‘, ‘4‘]
import re
tt = "Tina is a good girl, she is cool, clever, and so on..."
rr = re.compile(r‘\w*oo\w*‘)
print(rr.findall(tt))
print(re.findall(r‘(\w)*oo(\w)‘,tt))#()表示子表達式
執行結果如下：
[‘good‘, ‘cool‘]
[(‘g‘, ‘d‘), (‘c‘, ‘l‘)]
5、finditer()
搜索string，返回一個順序訪問每一個匹配結果（Match對象）的叠代器。找到 RE 匹配的所有子串，並把它們作為一個叠代器返回。
格式：
re.finditer(pattern, string, flags=0)
iter = re.finditer(r‘\d+‘,‘12 drumm44ers drumming, 11 ... 10 ...‘)
for i in iter:
print(i)
print(i.group())
print(i.span())
執行結果如下：
<_sre.SRE_Match object; span=(0, 2), match=‘12‘>
12
(0, 2)
<_sre.SRE_Match object; span=(8, 10), match=‘44‘>
44
(8, 10)
<_sre.SRE_Match object; span=(24, 26), match=‘11‘>
11
(24, 26)
<_sre.SRE_Match object; span=(31, 33), match=‘10‘>
10
(31, 33)
6、split()
按照能夠匹配的子串將string分割後返回列表。
可以使用re.split來分割字符串，如：re.split(r‘\s+‘, text)；將字符串按空格分割成一個單詞列表。
格式：
re.split(pattern, string[, maxsplit])
maxsplit用於指定最大分割次數，不指定將全部分割。
print(re.split(‘\d+‘,‘one1two2three3four4five5‘))
執行結果如下：
[‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘five‘, ‘‘]
7、sub()
使用re替換string中每一個匹配的子串後返回替換後的字符串。
格式：
re.sub(pattern, repl, string, count)
import re
text = "JGood is a handsome boy, he is cool, clever, and so on..."
print(re.sub(r‘\s+‘, ‘-‘, text))
執行結果如下：
JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...
其中第二個函數是替換後的字符串；本例中為‘-‘
第四個參數指替換個數。默認為0，表示每個匹配項都替換。
re.sub還允許使用函數對匹配項的替換進行復雜的處理。
如：re.sub(r‘\s‘, lambda m: ‘[‘ + m.group(0) + ‘]‘, text, 0)；將字符串中的空格‘ ‘替換為‘[ ]‘。
import re
text = "JGood is a handsome boy, he is cool, clever, and so on..."
print(re.sub(r‘\s+‘, lambda m:‘[‘+m.group(0)+‘]‘, text,0))
執行結果如下：
JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...
8、subn()
返回替換次數
格式：
subn(pattern, repl, string, count=0, flags=0)
print(re.subn(‘[1-2]‘,‘A‘,‘123456abcdef‘))
print(re.sub("g.t","have",‘I get A, I got B ,I gut C‘))
print(re.subn("g.t","have",‘I get A, I got B ,I gut C‘))
執行結果如下：
(‘AA3456abcdef‘, 2)
I have A, I have B ,I have C
(‘I have A, I have B ,I have C‘, 3)
四、一些註意點
1、re.match與re.search與re.findall的區別：
re.match只匹配字符串的開始，如果字符串開始不符合正則表達式，則匹配失敗，函數返回None；而re.search匹配整個字符串，直到找到一個匹配。
a=re.search(‘[\d]‘,"abc33").group()
print(a)
p=re.match(‘[\d]‘,"abc33")
print(p)
b=re.findall(‘[\d]‘,"abc33")
print(b)
執行結果：
3
None
[‘3‘, ‘3‘]
2、貪婪匹配與非貪婪匹配
*?,+?,??,{m,n}? 前面的*,+,?等都是貪婪匹配，也就是盡可能匹配，後面加?號使其變成惰性匹配
a = re.findall(r"a(\d+?)",‘a23b‘)
print(a)
b = re.findall(r"a(\d+)",‘a23b‘)
print(b)
執行結果：
[‘2‘]
[‘23‘]
a = re.match(‘<(.*)>‘,‘<H1>title<H1>‘).group()
print(a)
b = re.match(‘<(.*?)>‘,‘<H1>title<H1>‘).group()
print(b)
執行結果：
<H1>title<H1>
<H1>
a = re.findall(r"a(\d+)b",‘a3333b‘)
print(a)
b = re.findall(r"a(\d+?)b",‘a3333b‘)
print(b)
執行結果如下：
[‘3333‘]
[‘3333‘]
#######################
這裏需要註意的是如果前後均有限定條件的時候，就不存在什麽貪婪模式了，非匹配模式失效。
3、用flags時遇到的小坑
print(re.split(‘a‘,‘1A1a2A3‘,re.I))#輸出結果並未能區分大小寫
這是因為re.split(pattern，string，maxsplit,flags)默認是四個參數，當我們傳入的三個參數的時候，系統會默認re.I是第三個參數，所以就沒起作用。如果想讓這裏的re.I起作用，寫成flags=re.I即可。
五、正則的小實踐
1、匹配電話號碼
p = re.compile(r‘\d{3}-\d{6}‘)
print(p.findall(‘010-628888‘))
2、匹配IP
re.search(r"(([01]?\d?\d|2[0-4]\d|25[0-5])\.){3}([01]?\d?\d|2[0-4]\d|25[0-5]\.)","192.168.1.1")
python中的正則表達式（re模塊）