python re模块 正则表达式

re模块用于对python的正则表达式的操作。

字符：

　　. 匹配除换行符以外的任意字符
　　\w 匹配字母或数字或下划线或汉字
　　\s 匹配任意的空白符
　　\d 匹配数字
　　\b 匹配单词的开始或结束
　　^ 匹配字符串的开始
　　$ 匹配字符串的结束

       | 匹配或的意思

次数：

　　* 重复零次或更多次
　　+ 重复一次或更多次
　　? 重复零次或一次
　　{n} 重复n次
　　{n,} 重复n次或更多次
　　{n,m} 重复n到m次

这里需要强调一下反斜杠\的作用：

• 反斜杠后边跟元字符去除特殊功能；（即将特殊字符转义成普通字符）
• 反斜杠后边跟普通字符实现特殊功能；（即预定义字符）
• 引用序号对应的字组所匹配的字符串。　　

  2、预定义字符集（可以写在字符集[...]中） 

  \d	数字:[0-9]	a\bc	a1c
  \D	非数字:[^\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	匹配包括下划线在内的任何字字符:[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	仅匹配字符串开头,同^	\Aabc	abc
  \Z	仅匹配字符串结尾，同$	abc\Z	abc
  \b	匹配\w和\W之间，即匹配单词边界匹配一个单词边界，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'。	\babc\b a\b!bc	空格abc空格 a!bc
  \B	[^\b]	a\Bbc	abc

  re模块中常用功能函数

  1、compile()

  编译正则表达式模式，返回一个对象的模式。（可以把那些常用的正则表达式编译成正则表达式对象，这样可以提高一点效率。）

  格式：

  re.compile(pattern,flags=0)

  pattern: 编译时用的表达式字符串。

  flags 编译标志位，用于修改正则表达式的匹配方式，如：是否区分大小写，多行匹配等。常用的flags有：

  标志	含义
  re.S(DOTALL)	使.匹配包括换行在内的所有字符
  re.I（IGNORECASE）	使匹配对大小写不敏感
  re.L（LOCALE）	做本地化识别（locale-aware)匹配，法语等
  re.M(MULTILINE)	多行匹配，影响^和$
  re.X(VERBOSE)	该标志通过给予更灵活的格式以便将正则表达式写得更易于理解
  re.U	根据Unicode字符集解析字符，这个标志影响\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'的单词
  执行结果如下：
  ['good', 'cool']

  2、match()

  决定RE是否在字符串刚开始的位置匹配。//注：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'

  格式：

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

  print(re.match('com','comwww.runcomoob').group())
  print(re.match('com','Comwww.runcomoob',re.I).group())
  执行结果如下：
  com
  com

  3、search()

   格式：

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

  re.search函数会在字符串内查找模式匹配,只要找到第一个匹配然后返回，如果字符串没有匹配，则返回None。

  print(re.search('\dcom','www.4comrunoob.5com').group())
  执行结果如下：
  4com

  *注：match和search一旦匹配成功，就是一个match object对象，而match object对象有以下方法：

  • 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
  • group() 返回re整体匹配的字符串，可以一次输入多个组号，对应组号匹配的字符串。

  a. group（）返回re整体匹配的字符串，
  b. group (n,m) 返回组号为n，m所匹配的字符串，如果组号不存在，则返回indexError异常
  c.groups（）groups() 方法返回一个包含正则表达式中所有小组字符串的元组，从 1 到所含的小组号，通常groups()不需要参数，返回一个元组，元组中的元就是正则表达式中定义的组。 

  import re
  a = "123abc456"
   print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0))   #123abc456,返回整体
   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) 列出第一个括号匹配部分，group(2) 列出第二个括号匹配部分，group(3) 列出第三个括号匹配部分。###

  4、findall()

  re.findall遍历匹配，可以获取字符串中所有匹配的字符串，返回一个列表。

   格式：

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

  p = re.compile(r'\d+')
  print(p.findall('o1n2m3k4'))
  执行结果如下：
  ['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))#()表示子表达式 
  执行结果如下：
  ['good', 'cool']
  [('g', 'd'), ('c', 'l')]

  5、finditer()

   搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。找到 RE 匹配的所有子串，并把它们作为一个迭代器返回。

  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())
  执行结果如下：
  <_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()

  按照能够匹配的子串将string分割后返回列表。

  可以使用re.split来分割字符串，如：re.split(r'\s+', text)；将字符串按空格分割成一个单词列表。

  格式：

  re.split(pattern, string[, maxsplit])

  maxsplit用于指定最大分割次数，不指定将全部分割。

  print(re.split('\d+','one1two2three3four4five5'))
  执行结果如下：
  ['one', 'two', 'three', 'four', 'five', '']

  7、sub()

  使用re替换string中每一个匹配的子串后返回替换后的字符串。

  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))
  执行结果如下：
  JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...

  其中第二个函数是替换后的字符串；本例中为'-'

  第四个参数指替换个数。默认为0，表示每个匹配项都替换。

  re.sub还允许使用函数对匹配项的替换进行复杂的处理。

  如：re.sub(r'\s', lambda m: '[' + m.group(0) + ']', text, 0)；将字符串中的空格' '替换为'[ ]'。

  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))
  执行结果如下：
  JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...

  8、subn()

   返回替换次数

  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'))
  执行结果如下：
  ('AA3456abcdef', 2)
  I have A,  I have B ,I have C
  ('I have A,  I have B ,I have C', 3)

 

    一些注意点

1、re.match与re.search与re.findall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。

a=re.search('[\d]',"abc33").group()
print(a)
p=re.match('[\d]',"abc33")
print(p)
b=re.findall('[\d]',"abc33")
print(b)
执行结果：
3
None
['3', '3']

2、贪婪匹配与非贪婪匹配

*?,+?,??,{m,n}?    前面的*,+,?等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配

a = re.findall(r"a(\d+?)",'a23b')
print(a)
b = re.findall(r"a(\d+)",'a23b')
print(b)
执行结果：
['2']
['23']

a = re.match('<(.*)>','<H1>title<H1>').group()
print(a)
b = re.match('<(.*?)>','<H1>title<H1>').group()
print(b)
执行结果：
<H1>title<H1>
<H1>

a = re.findall(r"a(\d+)b",'a3333b')
print(a)
b = re.findall(r"a(\d+?)b",'a3333b')
print(b)
执行结果如下：
['3333']
['3333']
#######################
这里需要注意的是如果前后均有限定条件的时候，就不存在什么贪婪模式了，非匹配模式失效。

 3、用flags时遇到的小坑

print(re.split('a','1A1a2A3',re.I))#输出结果并未能区分大小写
这是因为re.split(pattern，string，maxsplit,flags)默认是四个参数，当我们传入的三个参数的时候，系统会默认re.I是第三个参数，所以就没起作用。如果想让这里的re.I起作用，写成flags=re.I即可。