Python中的正则表达式
本章节主要介绍 Python 中常用的正则表达式处理函数，如果你对正则表达式不了解，可以查看我的正则表达式 一文。
正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。
在 Python 中，使用 re 模块来处理正则表达式。
re 模块提供了一组函数，允许你在字符串中进行模式匹配、搜索和替换操作。
re 模块使 Python 语言拥有完整的正则表达式功能。
Python正则表达式，使用re模块，并基于re模块中三个基础方法来做正则匹配。
分别是：match、search、findall 三个基础方法
re模块的函数形式如下：
re.func(pattern,string,flag=0)
函数参数说明：
| 参数 | 描述 |
|---|---|
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串。 |
| flags | 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：正则表达式修饰符 - 可选标志 |
re.match(匹配规则， 被匹配字符串)
从被匹配字符串开头进行匹配， 匹配成功返回匹配对象（包含匹配的信息），匹配不成功返回空：None。
import re str='Python is buautiful! Python' # 注意，match只【从字符串开头！】匹配第一个符合规则的字符串，后面的不会被匹配 match = re.match("Python", str) print(match)#<re.Match object; span=(0, 6), match='Python'> print(match.span()) #(0, 6) print(match.group())#Python str='1Python is buautiful!' # 注意，match只匹配开头，如果开头没有，后面有也不会匹配，直接返回None print(re.match("Python", str))#None
我们可以使用 group(num) 或 groups() 匹配对象函数来获取匹配表达式。这里涉及到“分组”的知识，可以参照文章正则表达式 里的“分组”模块
| 匹配对象方法 | 描述 |
|---|---|
| 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。 |
line = "Cats are smarter than dogs" # .* 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'(.*) are (.*?) .*', line, re.M | re.I) if matchObj: print("matchObj", matchObj)#matchObj <re.Match object; span=(0, 26), match='Cats are smarter than dogs'> print("matchObj.group() : ", matchObj.group())#matchObj.group() : Cats are smarter than dogs #匹配的整个表达式的字符串 print("matchObj.group(0) : ", matchObj.group(0))#matchObj.group(0) : Cats are smarter than dogs#匹配的整个表达式的字符串 print("matchObj.group(1) : ", matchObj.group(1))#matchObj.group(1) : Cats #即第一个括号：(.*) 所匹配的子串1 print("matchObj.group(2) : ", matchObj.group(2))#matchObj.group(2) : smarter #即第二个括号：(.*?) 所匹配的子串2 print("matchObj.group(1,2) : ", matchObj.group(1,2))#matchObj.group(1,2) : ('Cats', 'smarter')#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。 print("matchObj.groups() : ", matchObj.groups())#matchObj.groups() : ('Cats', 'smarter')#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。 else: print("No match!!")
search(匹配规则， 被匹配字符串) 搜索整个字符串，找出匹配的。
从前向后，找到第一个后，就停止，不会继续向后
str='Python is buautiful! Python' search = re.search("Python", str) print(search)#<re.Match object; span=(0, 6), match='Python'> print(search.span())#(0, 6) str='1Python is buautiful! Python' search = re.search("Python", str) print(search)#<re.Match object; span=(1, 7), match='Python'> search = re.search("Python2", str) print(search)#None
search同样可以获取分组表达式所获取的数据：
import re line = "Cats are smarter than dogs" searchObj = re.search( r'(.*) are (.*?) .*', line, 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!!")
输出：
searchObj.group() : Cats are smarter than dogs
searchObj.group(1) : Cats
searchObj.group(2) : smarter
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，而 re.search 匹配整个字符串，直到找到一个匹配。
findall(匹配规则， 被匹配字符串)
匹配整个字符串，找出全部匹配项。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（匹配组），则返回元组列表，如果没有找到匹配的，则返回空列表。
找不到返回空list: []
语法格式为：
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。
查找字符串中的所有数字：
import re result1 = re.findall(r'\d+','runoob 123 google 456') pattern = re.compile(r'\d+') # 查找数字 result2 = pattern.findall('runoob 123 google 456') result3 = pattern.findall('run88oob123google456', 0, 10) print(result1)#['123', '456'] print(result2)#['123', '456'] print(result3)#['88', '12']
str='Python is buautiful! Python' findall = re.findall("Python", str) print(findall)#['Python', 'Python'] str='1Python is buautiful! Python!python' findall = re.findall("Python", str) print(findall)#['Python', 'Python'] re_findall = re.findall("123", str) print(re_findall)#[]
re.findall() 在存在捕获组时会优先返回分组表达式捕获的内容：
str="123456abcdef123abcdef456" findall1 = re.findall(r"abcdef(\d+)", str) print(findall1)#['123', '456']###代码输出 ['123', '456'] 而非预期的 ['abcdef123', 'abcdef456']，原因是 正则表达式中使用了捕获组，而 re.findall() 在存在捕获组时会优先返回捕获组内容。 findall2 = re.findall(r"(abcdef)(\d+)", str) print(findall2)#[('abcdef', '123'), ('abcdef', '456')] findall3 = re.findall(r"abcdef(?=\d+)", str) print(findall3)#['abcdef', 'abcdef']
-
匹配过程：
-
第一次匹配到
"abcdef123"，但捕获组(\d+)提取到123。 -
第二次匹配到
"abcdef456"，捕获组提取到456。
-
-
findall行为：-
当正则表达式中存在捕获组时，
findall()会忽略完整匹配字符串，只保留捕获组内容。
-
例2
import re result = re.findall(r'(\w+)=(\d+)', 'set width=20 and height=10') print(result)#[('width', '20'), ('height', '10')]
修复方法
根据需求选择以下方案：
方案 1：移除捕获组（返回完整匹配）
findall1 = re.findall(r"abcdef\d+", str_text) # 无捕获组 print(findall1) # 输出 ['abcdef123', 'abcdef456']
方案 2：保留捕获组，但添加外层完整匹配捕获
findall1 = re.findall(r"(abcdef\d+)", str_text) # 捕获整个目标 print(findall1) # 输出 ['abcdef123', 'abcdef456']
方案 3：使用非捕获组（仅分组不捕获）
findall1 = re.findall(r"abcdef(?:\d+)", str_text) # (?:\d+) 表示非捕获组 print(findall1) # 输出 ['abcdef123', 'abcdef456']
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：
| 参数 | 描述 |
|---|---|
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串。 |
| flags | 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：正则表达式修饰符 - 可选标志 |
实例
import
reit = re.finditer(r"\d+","12a32bc43jf3")
for match in it:
print(match.group())
输出结果：
1232433
分割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：
| 参数 | 描述 |
|---|---|
| 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，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：正则表达式修饰符 - 可选标志 |
split1=re.split('\W+', 'runoob, runoob, runoob.') print(split1)#['runoob', 'runoob', 'runoob', ''] # 当正则表达式中包含捕获组时，`split`不仅会返回分割后的子字符串，还会将捕获组的内容也包含在结果列表中。例如，如果使用`(\W+)`作为模式，分割后的结果会在分割点之间插入匹配到的非单词字符序列。 split2=re.split('(\W+)', ' runoob, runoob, runoob.') print(split2)#['', ' ', 'runoob', ', ', 'runoob', ', ', 'runoob', '.', ''] split3=re.split('\W+', ' runoob, runoob, runoob.', 1) print(split3)#['', 'runoob, runoob, runoob.'] split4=re.split('a+', 'hello world') # 对于一个找不到匹配的字符串而言，split 不会对其作出分割 print(split4)#['hello world']
当正则表达式中包含捕获组时，`split`不仅会返回分割后的子字符串，还会将捕获组的内容也包含在结果列表中。例如，如果使用`(\W+)`作为模式，分割后的结果会在分割点之间插入匹配到的非单词字符序列。
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。
语法：
re.sub(pattern, repl, string, count=0, flags=0)
参数：
- pattern : 正则中的模式字符串。
- repl : 替换的字符串，也可为一个函数。
- string : 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。
前三个为必选参数，后两个为可选参数。
#!/usr/bin/python3 import re phone = "2004-959-559 # 这是一个电话号码" # 删除注释 num = re.sub(r'#.*$', "", phone) print("电话号码 : ", num)#电话号码 : 2004-959-559 # 移除非数字的内容 num = re.sub(r'\D', "", phone) print("电话号码 : ", num)#电话号码 : 2004959559
repl 参数是一个函数
以下实例中将字符串中的匹配的数字乘以 2：
import re # 将匹配的数字乘以 2 def double(matched): value = int(matched.group('value')) return str(value * 2) s = 'A23G4HFD567' print(re.sub('(?P<value>\d+)', double, s))#(?P<value>...)：命名捕获组，将匹配到的数字命名为value，便于在函数中引用。
执行输出结果为：
A46G8HFD1134
定义替换函数 double
-
参数：
matched是re.sub传入的匹配对象（re.Match类型）。 -
逻辑：
-
matched.group('value')：从匹配对象中提取名为value的捕获组内容。
-
re.sub 函数：
-
-
语法：
re.sub(pattern, repl, string) -
作用：在
string中搜索匹配pattern的所有子串，并用repl的返回值替换。
-
-
参数分析：
-
正则表达式
(?P<value>\d+)：-
\d+：匹配一个或多个连续数字（如23、4、567）。 -
(?P<value>...)：命名捕获组，将匹配到的数字命名为value，便于在函数中引用。
-
-
替换参数
double：每次匹配到子串时，调用此函数生成替换内容。 -
目标字符串
s：待处理的原始字符串。
-
re.compile 函数
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。
语法格式为：
re.compile(pattern[, flags])
参数：
- pattern : 一个字符串形式的正则表达式
- flags 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：
- re.IGNORECASE 或 re.I
- - 使匹配对大小写不敏感
- re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
- re.MULTILINE 或 re.M - 多行模式，改变 ^ 和 $ 的行为，使它们匹配字符串的每一行的开头和结尾。
- re.DOTALL 或 re.S - 使 . 匹配包括换行符在内的任意字符。
- re.ASCII - 使 \w, \W, \b, \B, \d, \D, \s, \S 仅匹配 ASCII 字符。
- re.VERBOSE 或 re.X - 忽略空格和注释，可以更清晰地组织复杂的正则表达式。
这些标志可以单独使用，也可以通过按位或（|）组合使用。例如，re.IGNORECASE | re.MULTILINE 表示同时启用忽略大小写和多行模式。
>>>import re >>> pattern = re.compile(r'\d+') # 用于匹配至少一个数字 >>> m = pattern.match('one12twothree34four') # 查找头部，没有匹配 >>> print( m ) None >>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配 >>> print( m ) None >>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配 >>> print( m ) # 返回一个 Match 对象 <_sre.SRE_Match object at 0x10a42aac0> >>> m.group(0) # 可省略 0 '12' >>> m.start(0) # 可省略 0 3 >>> m.end(0) # 可省略 0 5 >>> m.span(0) # 可省略 0 (3, 5)
在上面，当匹配成功时返回一个 Match 对象，其中：
group([group1, …])方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用group()或group(0)；start([group])方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；end([group])方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；span([group])方法返回(start(group), end(group))。
再看看一个例子：
>>>import re >>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写 >>> m = pattern.match('Hello World Wide Web') >>> print( m ) # 匹配成功，返回一个 Match 对象 <_sre.SRE_Match object at 0x10bea83e8> >>> m.group(0) # 返回匹配成功的整个子串 'Hello World' >>> m.span(0) # 返回匹配成功的整个子串的索引 (0, 11) >>> m.group(1) # 返回第一个分组匹配成功的子串 'Hello' >>> m.span(1) # 返回第一个分组匹配成功的子串的索引 (0, 5) >>> m.group(2) # 返回第二个分组匹配成功的子串 'World' >>> m.span(2) # 返回第二个分组匹配成功的子串索引 (6, 11) >>> m.groups() # 等价于 (m.group(1), m.group(2), ...) ('Hello', 'World') >>> m.group(3) # 不存在第三个分组 Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: no such group
正则表达式修饰符 - 可选标志
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。
以下标志可以单独使用，也可以通过按位或（|）组合使用。例如，re.IGNORECASE | re.MULTILINE 表示同时启用忽略大小写和多行模式。
| 修饰符 | 描述 | 实例 |
|---|---|---|
| re.IGNORECASE 或 re.I | 使匹配对大小写不敏感 |
import re pattern = re.compile(r'apple', flags=re.IGNORECASE) result = pattern.match('Apple') print(result.group()) # 输出: 'Apple'
|
| re.MULTILINE 或 re.M | 多行匹配，影响 ^ 和 $，使它们匹配字符串的每一行的开头和结尾。 |
import re pattern = re.compile(r'^\d+', flags=re.MULTILINE) text = '123\n456\n789' result = pattern.findall(text) print(result) # 输出: ['123', '456', '789']
|
| re.DOTALL 或 re.S： | 使 . 匹配包括换行符在内的任意字符。 |
import re pattern = re.compile(r'a.b', flags=re.DOTALL) result = pattern.match('a\nb') print(result.group()) # 输出: 'a\nb'
|
| re.ASCII | 使 \w, \W, \b, \B, \d, \D, \s, \S 仅匹配 ASCII 字符。 |
import re pattern = re.compile(r'\w+', flags=re.ASCII) result = pattern.match('Hello123') print(result.group()) # 输出: 'Hello123'
|
| re.VERBOSE 或 re.X | 忽略空格和注释，可以更清晰地组织复杂的正则表达式。 |
import re pattern = re.compile(r''' \d+ # 匹配数字 [a-z]+ # 匹配小写字母 ''', flags=re.VERBOSE) result = pattern.match('123abc') print(result.group()) # 输出: '123abc'
|
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。
下表列出了正则表达式模式语法中的特殊元素。如果你使用模式的同时提供了可选的标志参数，某些模式元素的含义会改变。
| 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。 |
| [...] | 用来匹配所包含的任意一个字符，例如 [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。 |
| * | 匹配0个或多个的表达式。 |
| + | 匹配1个或多个的表达式。 |
| ? | 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 |
| { 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。 |
| { 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*"。 |
| { 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。 str="Aaabbbcccaaa" match = re.match(r"(?imx:aaa)",str) match = re.match(r"(?i:aaa)",str) print(match)#<re.Match object; span=(0, 3), match='Aaa'> print(match.group())#Aaa
|
| (?-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。 |
[('width','20'),('height','10')]
浙公网安备 33010602011771号