python/pandas 正则表达式 re模块
目录
- 正则解说
- 中文字符集
- re模块常用方法
1、正则解说
数量词的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。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；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。
一般字符、字符集和转义字符
| 一般字符 | 完全匹配字符 | abc | abc |
| \ | 转义字符 | \. | . |
| . | 匹配除换行符\n以外的所有字符 | . | q, 1, +, ...... |
| [] | 匹配字符集中任意字符 | [abc] | a, b, c |
| \s | 匹配空白字符，即[\n\t\f\r...] | a\sb | a b, a b, ...... |
| \S | 匹配非空白字符 | a\Sb | ab, a4b, asb, ...... |
| \w | 匹配单词字符，即[a-zA-Z0-9] | a\wc | abc, a8c, ...... |
| \W | 匹配非单词字符，即[^a-zA-Z0-9] | a\Wc | a-c, a?c, ...... |
| \d | 匹配数字 | a\dc | a3c, ...... |
| \D | 匹配非数字 | a\Dc | adc, a-c, ...... |
限定匹配次数
| * | 匹配前一个字符0到无限次 | ab*c | ac, abc, abbc, ...... |
|
+ |
匹配前一个字符1到无限次 | ab+c | abc, abbc, ...... |
|
? |
匹配前一个字符0或1次 | ab?c | ac, abc |
|
{m} |
匹配前一个字符m次 | ab{3}c | abbbc |
|
{m,n} |
匹配前一个字符m至n次，m省略代表0至n次，n省略代表m至无限次 | ab{2,3}c | abbc, abbbc, ...... |
|
*? +? ?? {m}? {m,n}? |
使得*,+,?{m},{m,n}变为非贪婪模式 | ab*? | a |
限定边界
| $ | 匹配字符串末尾（多行模式下是每一行字符串末尾，re.M） | c$ | abc, 12c, ?-c, ...... |
| ^ | 匹配字符串开头（多行模式下是每一行字符串开头，re.M） | ^c | cab, c12, c??, ...... |
| \A | 匹配整个字符串开头 | \Ac | cab, ...... |
| \Z | 匹配整个字符串末尾 | c\Z | abc, ...... |
逻辑、分组
| | | 或，匹配左边或者右边的表达式 | abc|def | abc, def, ...... |
| (...) | 括号内为一组；分组有编号，从1开始算起；分组作为一个整体，|只在分组内部有效； | (abc){1}\.(123|456)+ | abc.456, abc.123, ...... |
| (?P<name>...) | 除编号外的另一个分组名 | ||
| \<number> | 引用编号为<number>的分组匹配的字符串 | (\d)abc\1 | 5abc5, ...... |
| (?P=name) | 引用别名为<name>的分组匹配到的字符串 | (?P=<one>\d)abc(?P=one) | 7abc7, ...... |
特殊构造
| (?iLmsux) | iLmsux每个字符代表一个匹配模式 | (?!abc) | Abc, abc, ...... |
| (?#...) | #之后的内容作为注释被忽略 | ||
| (?=...) | 之后的字符串内容需要匹配表达式，不消耗字符串内容 | a(?=\d) | 后面是数字的a |
| (?!...) | 之后的字符串内容需要不匹配表达式，不消耗字符串内容 | a(?!\d) | 后面不是数字的a |
| (?<=...) | 之前的字符串内容需要匹配表达式，不消耗字符串内容 | (?<=\d)a | 前面是数字的a |
| (?<!...) | 之后的字符串内容需要不匹配表达式，不消耗字符串内容 | (?<!\d)a | 前面不是数字的a |
2、中文字符集
3、re模块常用方法
compile()：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
pa = re.compile('et')
正则表达式对象的方法：
group() 返回被 RE 匹配的字符串。
start() 返回匹配开始的位置
end() 返回匹配结束的位置
span() 返回一个元组包含匹配 (开始,结束) 的位置
常用方法：
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
In [14]: re.match('I','I will never let it go, jack!') Out[14]: <_sre.SRE_Match object; span=(0, 1), match='I'> In [15]: re.match('w','I will never let it go, jack!') no out put
search()：扫描整个字符串并返回第一个成功的匹配
In [17]: re.search('i','I will never let it go, jack!') Out[17]: <_sre.SRE_Match object; span=(3, 4), match='i'>
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，如果没有找到匹配的，则返回空列表，可指定起始位置
In [28]: re.findall('.i', 'I will never let it go, jack!') Out[28]: ['wi', ' i']
In [32]: re.compile('.i').findall('I will never let it go, jack!', 0, 10)
Out[32]: ['wi']
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
In [54]: for m in re.finditer('.i', 'I will never let it go, jack!'):
...: print(m, m.group(), m.start(), m.end(), m.span())
...:
<_sre.SRE_Match object; span=(2, 4), match='wi'> wi 2 4 (2, 4)
<_sre.SRE_Match object; span=(16, 18), match=' i'> i 16 18 (16, 18)
sub()：替换字符串中所有的匹配项，返回匹配后的字符串
In [19]: re.sub('i', 'I', 'I will never let it go, jack!') Out[19]: 'I wIll never let It go, jack!'
split()：按照能够匹配的子串将字符串分割后返回列表，可指定最大分割次数
In [41]: re.split(',', 'runoob, runoob, runoob.') Out[41]: ['runoob', ' runoob', ' runoob.']
In [43]: re.split(',', 'runoob, runoob, runoob.', 1)
Out[43]: ['runoob', ' runoob, runoob.']
