Python 学习 第十篇:正则表达式 - re

规则表达式(Regular Expression, RE),又称作正则表达式,通常用于检索和替换符合指定规则的文本,正则表达式定义的规则,称作模式(Pattern)。正则表达式的作用是从文本中查找到符合模式的文本,在Python中使用正则表达式,需要导入re模块。

import re

查看正则表达式的元字符,请参考文档:正则表达式 第一篇:元字符

一,re模块常用的函数

从帮助文档中可以看到,re模块导出的函数主要是:match、search、sub、split、findall、finditer、compile和escape,这些函数中,通常有三个参数,string:用于匹配的文本,pattern:正则表达式的模式,flags:匹配选项,flags 默认为0 ,不使用任何模式。

正则表达式的flag主要有:

  • I:IGNORECASE, 忽略大小写的匹配模式
  • M:MULTILINE,多行模式, 改变 ^ 和 $ 的行为
  • S:DOTALL,此模式下 '.' 的匹配不受限制,可匹配任何字符,包括换行符
  • X:VERBOSE,冗余模式, 此模式忽略正则表达式中的空白和#号的注释,例如写一个匹配邮箱的正则表达式
  • U:UNICODE,使用 \w, \W, \b, \B 这些元字符时将按照 UNICODE 定义的属性.

正则表达式可以同时使用多个flag,在 Python 里面使用按位或运算符 | 同时添加多个fag,例如 re.compile('', re.I|re.M|re.S)

1,编译正则表达式

compile函数用于编译一个正则表达式对象,在符用正则表达式时,步需要重新编译:

re.compile(pattern, flags=0) 

2,原始字符标记

原始字符串表示 r'regex',如果不使用r,正则表达式中的 元字符'\' 都必须进行转义:

>>> re.match(r"\W(.)\1\W", " ff ")
>>> re.match("\\W(.)\\1\\W", " ff ")

这就意味着,在正则表达式中,如果 \x 是元字符,那么必需使用r'\x'。

如果要匹配到文本 '\' (也就是说,\  不是元字符),那么必须在正则表达式中对其进行转义,使用原始字符标记,是r'\\';如果不使用原始字符标记,是'\\\\':

>>> re.match(r"\\", r"\\")
>>> re.match("\\\\", r"\\")

3,拆分

把一个字符串,按照正则表达式匹配的结果进行拆分

text='foo bar\t baz \tqux'
re.split(r'\s+',text)

或者,先编译成正则表达式对象,然后对字符串进行拆分:

regex=re.compile(r'\s+')

text='foo bar\t baz \tqux'
regex.split(text)

4,匹配第一个子串

正则表达式有两个匹配函数:match和search函数,这两个函数的相同之处:从字符串中查找可以匹配的子串,返回第一个匹配的子串,一旦匹配成功,就不再继续查找,并返回一个SRE_Match 对象;如果查找不到,则返回None。

re.match(pattern, string, flags=0) 
re.search(pattern, string, flags=0) 

不同之处在于:

  • re.match函数从字符串的开头查找,如果开头不匹配,则不再继续查找,返回None;
  • 而re.search匹配整个字符串,从字符串的任意位置开始匹配,直到找到第一个匹配(注意:仅仅是第一个)或者没有匹配到任何文本。

5,查找所有匹配的子串

re.findall在字符串中找到匹配正则表达式的所有文本,作为一个列表返回,如果没有找到匹配,则返回空列表:

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

re.finditer在字符串中找到匹配正则表达式所的所有文本,并把它们作为一个迭代器返回:

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

6,替换匹配的字符

把正则表达式 pattern 匹配到的字符串替换为 repl 指定的字符串,  参数 count 用于指定最大替换次数,默认值是o,表示无限大。

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

替换函数可以把文本的标点符号和HTML标签去掉。在替换字符时,需要注意:如果repl参数中包含转义字符,会出现错误,例如,对于 re.sub('pattern',r'\w+',text), re会抛出错误:bad escape \w at position 0。

从re的手册《re — Regular expression operations》中,可以看到,在3.0以上版本,都会出现这个错误:

Changed in version 3.x : Unknown escapes in repl consisting of '\' and an ASCII letter now are errors.

二,re内置的对象

re模块内置的对象有Pattern对象和Match对象,一个用于表示已编译的正则表达式对象,一个表示search()和match()匹配的结果。

1,Pattern对象

Pattern对象是一个已编译的正则表达式对象,使用re.compile()进行构造,通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern对象的方法,用于进行正则匹配:

  • search(string[, pos[, endpos]])
  • match(string[, pos[, endpos]])
  • split(string, maxsplit=0)
  • findall(string[, pos[, endpos]])
  • finditer(string[, pos[, endpos]])
  • sub(repl, string, count=0)

Pattern提供了几个可读属性用于获取表达式的相关信息:

  • pattern: 编译时用的表达式字符串。
  • flags: 编译时用的匹配模式,数字形式
  • groups: 表达式中分组的数量。
  • groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典,没有别名的组不包含在内。

2,Match对象

Match对象存储 re.match() 或 re.search()的结果,当匹配到文本时,含有为True的boolean值;当没有匹配到任何文本时,返回None。

def displaymatch(match):
    if match is None:
        return None
    return '<Match: %r, groups=%r>' % (match.group(), match.groups())

Match对象的属性:

  • string:传递给re.match() 或 re.search()的文本
  • regs:元组集合,表示每个匹配的起始索引和结束索引
  • pos:正则表达式开始匹配的索引
  • endpos:正则表达式结束匹配的索引
  • re:正则表达式对象

Match对象的方法:

  • start(group):group的默认值是0,表示每个匹配的文本的开始索引
  • end(group):group的默认值是0,表示每个匹配的文本的结束索引
  • group(group=0):参数为0时,表示返回整个匹配
  • groups():返回匹配到的所有分组的索引
  • span(group=0):返回匹配的开始索引和结束索引

三,正则表达式的应用

1,删除文本中的标点符号

remove_punct=re.compile('[%s]' % re.escape(string.punctuation))
no_punct = remove_punct.sub(u'', text)

2,删除文本中的HTML标签

# use sub to replace the tags
pat = re.compile('<[^>]+>', re.S)
pat.sub('', text)

#combine the normal text
pat = re.compile('>(.*?)<')
''.join(pat.findall(text))

3,查找匹配的文本

import re

text_data = 'guru99@google.com, careerguru99@hotmail.com, users@yahoomail.com'
emails_list = re.findall(r'[\w\.-]+@[\w\.-]+', text_data)

 

 

 

参考文档:

re — Regular expression operations

Python正则表达式指南

在python中使用正则表达式(一)

python正则表达式详解

作者悦光阴
本文版权归作者和博客园所有,欢迎转载,但未经作者同意,必须保留此段声明,且在文章页面醒目位置显示原文连接,否则保留追究法律责任的权利。
posted @ 2019-03-25 09:47  悦光阴  阅读(2192)  评论(2编辑  收藏  举报