【Python】正則表達式
說明:本文主要是根據廖雪峰網站的正則表達式教程學習,並根據需要做了少許修改,此處記錄下來以備後續查看。
0x01 正則表達式概念及符號含義
掌握正則表達式,只需要記住不同符號所表示的含義,以及對目標對象模式(或規律)的正確概括。
1、基礎內容
字符匹配
- 在正則表達式中,如果直接給出字符,就是精確匹配。
- \d 匹配一個數字
- \D 匹配一個非數字
- \w 匹配一個字母、數字或下劃線_
- \W 匹配任何非單詞字符,等價於“[^A-Za-z0-9_]"
- \s 匹配任何空白字符,包括空格、制表符、換頁符等等,等價於[ \f\n\r\t\v]
- \S 匹配任何非空白字符
- \n 匹配一個換行符
- \r 匹配一個回車符
- \t 匹配一個制表符
數量匹配
- .匹配除“\n"之外的任何單個字符
- *匹配前面的子表達式零次或多次
- +匹配前面的子表達式一次或多次
- ?匹配前面的子表達式零次或一次
- {n},n是一個非負整數,匹配確定的n次
- {n,m},m和n均為非負整數,其中n<=m,最少匹配n次且最多匹配m次
- {n,},n是一個非負整數,至少匹配n次
- {,m} 匹配前面的正則表達式最多m次
範圍匹配
- x|y 匹配x或y
- [xyz] 字符集合,匹配所包含的任意一個字符
- [^xyz] 負值字符集合,匹配未包含的任意字符
- [a-z] 字符範圍,匹配指定範圍內的任意字符
- [^a-z] 負值字符範圍,匹配任何不在指定範圍內的任意字符
來看一個稍微復雜的例子:\d{3,4}\s+\d{3,8}
我們來從左到右解讀一下:
- \d{3,4}表示匹配3到4個數字,例如‘010‘、‘0755‘;
- \s可以匹配一個空格(也包括Tab等空白符),所以\s+表示至少有一個空格,例如匹配‘ ‘,‘ ‘等;
- \d{3,8}表示3-8個數字,例如‘1234567‘。
綜合起來,上面的正則表達式可以匹配以任意個空格隔開的帶區號的電話號碼。
如果要匹配‘010-12345‘、‘0755-26776666‘這樣的號碼呢?
由於‘-‘是特殊字符,在正則表達式中,要用‘\‘轉義,所以,上面的正則是\d{3,4}\-\d{3,8}。
但是,仍然無法匹配‘010 - 12345‘,因為帶有空格。所以我們需要更復雜的匹配方式。
2、進階內容
要做更精確地匹配,可以用[]表示範圍,比如:
- [0-9a-zA-Z\_]可以匹配一個數字、字母或者下劃線;
- [0-9a-zA-Z\_]+可以匹配至少由一個數字、字母或者下劃線組成的字符串,比如‘a100‘,‘0_Z‘,‘Py3000‘等等;
- [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下劃線開頭,後接任意個由一個數字、字母或者下劃線組成的字符串,也就是Python合法的變量;
- [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精確地限制了變量的長度是1-20個字符(前面1個字符+後面最多19個字符)。
- A|B可以匹配A或B,所以(P|p)ython可以匹配‘Python‘或者‘python‘。
- ^表示行的開頭,^\d表示必須以數字開頭。
- $表示行的結束,\d$表示必須以數字結束。
你可能註意到了,py也可以匹配‘python‘,但是加上^py$就變成了只能匹配以‘py‘開頭的字符串,
所以,如果某個字符串為‘I love python‘,那麽就無法匹配到,因為它不是以py開頭。
3、正則表達式使用場景
- 判斷某個字符串是否匹配特定的模式
- 切分字符串
- 提取特定模式的字符串
- 將指定模式的字符串進行替換
0x02 Python中正則表達式模塊re
1、判斷某個字符串是否匹配特定的模式
前面區號+電話號碼的例子
# 導入re模塊 import re # 匹配 result = re.match(r‘\d{3,4}\-\d{3,8}$‘,‘020-12345‘) print(result) # 不匹配 result2 = re.match(r‘\d{3,4}\-\d{3,8}$‘,‘020 12345‘) print(result2) # match()方法判斷是否匹配,如果匹配成功,返回一個Match對象,否則返回None。 # 常見的判斷方法就是: # 帶判斷的字符串 test = ‘020-12345‘ if re.match(r‘\d{3,4}\-\d{3,8}$‘, test): print(‘match‘) else: print(‘not match‘)
小練習:判斷給定的郵箱地址是否是NETEC郵箱
- 假設NETEC公司的郵箱格式為姓+.+名字+數字[email protected]。
- 其中數字不是必須的,只有相同名字的員工有多個時,才會存在數字
- 並且姓名拼音或英文都會使用小寫字母,而不會使用大寫字母
email = ‘[email protected]‘ pattern = r‘^[a-z]{1,}\.[a-z]+\d*@netec.com.cn$‘ if re.match(pattern,email): print(‘是NETEC郵箱‘) else: print(‘不是NETEC郵箱‘)
2、切分字符串
用正則表達式切分字符串比用固定的字符更靈活,請看正常的切分代碼:
result3 = ‘a b c‘.split(‘ ‘) print(result3)
無法識別連續的空格,用正則表達式試試:
result4 = re.split(r‘\s+‘, ‘a b c‘) print(result4)
無論多少個空格都可以正常分割。加入","試試:
result5 = re.split(r‘[\s\,]+‘, ‘a,b,, c d‘) print(result5)
再加入";"試試:
result6 = re.split(r‘[\s\,\;]+‘, ‘a,b;; c d‘) print(result6)
3、提取特定模式的字符串
除了簡單地判斷是否匹配之外,正則表達式還有提取子串的強大功能。
用()表示的就是要提取的分組(Group)。比如:^(\d{3,4})-(\d{3,8})$
分別定義了兩個組,可以直接從匹配的字符串中提取出區號和本地號碼:
m = re.match(r‘^(\d{3,4})-(\d{3,8})$‘, ‘0755-12345‘) print(m) print(m.group(0)) # 匹配的整個字符串 print(m.group(1)) # 匹配的第一個小括號的內容,即第一個匹配的子串 print(m.group(2)) # 匹配的第二個小括號的內容,即第二個匹配的子串
一個復雜的例子,提起給定時間字符串中的小時、分鐘、秒
t = ‘19:05:30‘ m = re.match(r‘^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$‘, t) print(m.groups()) print(m.group(1)) print(m.group(2)) print(m.group(3))
其實上面也有更簡便的寫法:
t = ‘19:05:30‘ m = re.match(r‘^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:([0-5]?[0-9])\:([0-5]?[0-9])$‘, t) print(m.groups()) print(m.group(1)) print(m.group(2)) print(m.group(3))
4、將指定模式的字符串進行替換
result = re.sub(‘[ae]‘,‘X‘,‘abcdefghi‘) print(result) result = re.subn(‘[ae]‘,‘X‘,‘abcdef‘) print(result)
5、貪婪匹配 vs 非貪婪匹配
正則匹配默認是貪婪匹配,也就是匹配盡可能多的字符。舉例如下,匹配出數字後面的0:
result7 = re.match(r‘^(\d+)(0*)$‘, ‘102300‘).groups() print(result7)
由於\d+采用貪婪匹配,直接把後面的0全部匹配了,結果0*只能匹配空字符串了。
必須讓\d+采用非貪婪匹配(也就是盡可能少匹配),才能把後面的0匹配出來,
加個?就可以讓\d+采用非貪婪匹配:
result8 = re.match(r‘^(\d+?)(0*)$‘, ‘102300‘).groups() print(result8)
6、正則表達式的編譯
當我們在Python中使用正則表達式時,re模塊內部會幹兩件事情:
- 編譯正則表達式,如果正則表達式的字符串本身不合法,會報錯;
- 用編譯後的正則表達式去匹配字符串。
如果一個正則表達式要重復使用幾千次,出於效率的考慮,我們可以預編譯該正則表達式,
接下來重復使用時就不需要編譯這個步驟了,直接匹配:
# 編譯 re_telephone = re.compile(r‘^(\d{3,4})-(\d{3,8})$‘) # 直接使用 print(re_telephone.match(‘010-12345‘).groups()) # 直接使用 print(re_telephone.match(‘010-8086‘).groups())
編譯後生成Regular Expression對象,由於該對象自己包含了正則表達式,
所以調用對應的方法時不用給出正則字符串。
7、re模塊中常用的幾個函數
(1)compile()
compile() 編譯正則表達式模式,返回一個對象的模式,這樣某個模式編譯一次就可以在程序中多次使用
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
(2)match()
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‘$‘
print(re.match(‘com‘,‘comwww.runcomoob‘).group())
(3)search()
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())
(4)findall()
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。
p = re.compile(r‘\d+‘) print(p.findall(‘o1n2m3k4‘))
(5)finditer()
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。
iter = re.finditer(r‘\d+‘,‘12 drumm44ers drumming, 11 ... 10 ...‘) for i in iter: print(i) print(i.group()) print(i.span())
(6)split()
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。
print(re.split(‘\d+‘,‘one1two2three3four4five5‘))
(7)sub()
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。
import re text = "JGood is a handsome boy, he is cool, clever, and so on..." print(re.sub(r‘\s+‘, ‘-‘, text))
(8)subn()
subn() 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,並返回替換次數
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‘))
0x03 參考鏈接
- https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386832260566c26442c671fa489ebc6fe85badda25cd000
- http://www.runoob.com/python3/python3-reg-expressions.html
- https://www.cnblogs.com/tina-python/p/5508402.html
- https://www.jb51.net/tools/regexsc.htm
【Python】正則表達式