正则表达式与re模块

正则表达式与re模块

主要内容:

• 正则表达式
• Python的re模块

正则表达式

　　正则表达式(Regular expression)是一种利用事先规定好的特殊字符，及用这些特殊字符组合，组成一种具有某种规则的式子，来表达对字符串文本的过滤逻辑。正则表达式功能非常强大，所以许多语言都支持正则表达式，来增强对字符串的匹配替换等功能。因此正则表达式只是一种技术，它并不独属于任何一门语言，在Python中，需要利用re内置模块来书写正则表达式匹配字符串。

　　正则表达式的规则比较复杂，主要的常用的匹配规则可以分为以下几类。

　　1. 基础的字符：

　　　　普通的字符: 主要就是对应ASCII码表的那些基础字符, 如a-z, A-Z，0-9等等。

　　　　. : 点号再正则中，代表可以匹配任意除了换行符的字符

　　　　\: 反斜杠在正则中代表转义字符，例如\t 代表制表符， \n 代表换行符等

　　　　[...]: 字符集，字符集里面可以放入任何数量字符，这些字符之间是或的关系，整个字符集表示匹配里面的任一字符。字符集里可以用-连接ascii

  　　　　　  码的和大的字符，表示匹配这个区间范围内的字符。

　　 2. 预定义的字符：

　　　　\d: 同[0-9], 表示匹配数字

　　　　\D: 同[^\d], 表示匹配非数字

　　　　\w: 匹配字母数字下划线

　　　　\W: 匹配非字母数字下划线的所有字符

　　　　\s: 匹配空格

　　　　\S: 匹配非空格字符

　　3. 数量词：

　　　　* : *号在正则中表示可以匹配前面字符0-任意多次

　　　　? : ?号在正则中表示可以匹配前面字符0-1次

　　　　+：+号在正则中表示可以匹配前面字符1-任意多次

　　　　{m,n}： 表示匹配前面字符m-n次，其中m省略表示匹配0-n次，n省略表示匹配m-任意次

　　　　{m}: 表示匹配前面字符m次

　　　　注意： 在数量词中，比较特殊的是它们都并不能单独使用，只能与前面的字符配合使用(原因就是属于数量词)，并且搭配使用数量词的时候，正则默认的匹配规则时贪婪模式，即会尽量的往多的匹

              配，这时可以在数量次后面加？号来取消贪婪模式，变成非贪婪模式，如??, *?等等。

　　4. 边界匹配：

　　　　^: 上尖号在正则中表示匹配字符串的开头位置, 在字符集中表示取反

　　　　$：匹配字符串的结尾

　　　　\b:  匹配单词之间的边界。

　　　　注意： 这些边界匹配的时候是不会消耗字符的。

　　 5. 逻辑分组

　　　　(...) 使用括号可以把一个表达式当做一个整体，后面可以跟数量词，并且这个分组在Python中有特殊意义

　　　　|   匹配左右两边的表达式，只要左边表达式匹配了，右边就不会去检测了

　　　　(?P<name> ...) 在原先分组的基础上，给分组取个别名，在Python中可以直接以这个名字来获取分组内容

　　一图胜千言，下面的图片就包含了基本所有正则表达式规则。

　　

Python的re模块

 　　Python中re模块相当于一个正则表达式的接口，使用这个接口，我们就能利用正则来处理Python中最基础的字符串了。

　　re模块最重要的三个方法：

　　re.findall(pattern, string, flags=0)  pattern: 正则表达式  string:要匹配的字符串 flag: 正则表达式修饰符, 返回匹配的所有子串的列表，有分组则返回分组后的列表.

import re

s = 'abc123abc'

res = re.findall(r'abc', s)
print(res)

['abc', 'abc']

　　re.search(pattern, string, flags=0)   扫描整个字符串，找到第一个匹配后返回一个match对象，最后需要利用group()方法获得匹配内容。

import re


s = 'abc123abc'
res = re.search(r'123', s)
print(res)
print(res.group())

<_sre.SRE_Match object; span=(3, 6), match='123'>
123

　　re.match(pattern, string, flags=0)  从字符串的起始位置开始匹配，如果字符串不符合正则表达式，则匹配失败，函数返回None, 否则返回一个匹配对象match.

import re

s = 'abc123abc'
res = re.match(r'123', s)
res1 = re.match(r'abc', s)
print(res)
print(res1.group())

None
abc

　　re模块的次要方法:

　　re.split(pattern, string, maxsplit=0, flags=0)  pattern: 正则表达式 string: 匹配字符串 maxsplit: 最大分割次数 默认不限制次数  flags: 正则表达式修饰符， 返回按匹配字符串分割后的字符串列表

import re

s = 'abc123abc'

res = re.split(r'\d', s, 1)
print(res)
res = re.split(r'\d', s, 2)
print(res)
res = re.split(r'\d', s, 3)
print(res)

['abc', '23abc']
['abc', '', '3abc']
['abc', '', '', 'abc']

　　从上面的例子可以看出来re模块的分割方法是分别拿匹配字符串去分割字符，每一次取回结果后，再拿新的匹配字符串来分割列表中的每一个字符串，这样就会出现上面所示的空字符串。

　　re.sub(pattern, repl, string, count=0, flags=0) pattern: 正则表达式  repl: 要替换的字符串或函数, string: 要匹配的字符串, count: 替换的次数, flags: 正则表达式修饰符， 返回替换后的新字符串

　　re.subn(pattern, repl, string, count=0, flags=0)： 参数同sub, 但是返回的是一个元组(替换后的字符串, 替换次数)

　　上面两个函数基本使用方法一致。

import re

s = 'abc123abc'

res = re.sub('abc', 'bbb', s)
res1 = re.subn(r'abc', 'bbb', s)

print(res)
print(res1)

bbb123bbb
('bbb123bbb', 2)

　　re.compile(pattern, flags=0)  pattern: 正则表达式, 将正则表达式编译成一个正则表达式对象Pattern, 当正则表达式很长且要反复使用时用它。

import re

s = 'abc123abc'
pattern = re.compile(r'abc')

print(pattern.search(s).group())　

abc

　　re模块分组的特殊用法

　　re模块分组后的匹配结果，可以通过group()方法获取，group方法默认传入0，代表整个匹配串，传入1,2...代表后面的分组序号，通过访问group(1)...等可以访问分组的内容。但是findall方法有些特殊，因为它返回列表，所以会优先返回分组的内容，这时候就需要在分组的前面加上?: 这个特殊语法来取消分组的特殊意义，只有当做一个整体的作用。

import re

s = 'abc123abc'

res = re.search(r'(abc)\d+(abc)', s)
res1 = re.search(r'(?P<name>abc)\d+(?P<age>abc)', s)
print(res.group())
print(res.groups())
print(res.group(1), res.group(2))

print(res1.group('name'), res1.group('age'))

abc123abc
('abc', 'abc')
abc abc
abc abc