Python 正则表达式¶
如果已经掌握正则了，直接拉到最下面，看简略表格。
简单正则表达式¶
正则表达式，是使用字符串表达的某种模式，可以用于匹配某一类字符串。
比如 abcd 作为一个正则表达式可以匹配 ffabcdef 中的 abcd。
像上面一样，多数字符只能匹配它本身，比如 正则表达式中的 a 匹配目标字符串中的 a， b 匹配 b 。这种情况下，类似于字符串搜索。 但是正则表达式比字符串搜索强大的地方在于提供了一些特殊字符，进行模式匹配。
.英文的点
.。可以用于匹配任意字符，- h.llo 可以匹配 hello, hfllo, hgllo …
- h..lo 可以匹配 hello, hablo, hxylo …
*星号
*,并不是用来代指字符，而是说前面一个字符可以出现任意多次，即出现次数大于等于0 . 并且*可以和.组合使用。- ap*le 可以匹配 ale, aple, apple, appple, …
- a.*le 可以匹配 ale, azzzzzzzle, abbbble, aaaaaaaaale, …
++和*很像，含义是 + 前面的字符出现次数大于等于1，和 * 的区别在于，它肯定至少出现一次。- ap+le 可以匹配 aple, apple, apppppppple, 但是不能匹配 ale,
- a.+le 可以匹配 azle, azzzzzzzzle, abbbbbble, 不能匹配 ale。
??表示前面的字符可以出现 0 ~ 1 次，也就是说可以出现或者不出现。- app?le 可以匹配 aple 和 apple
- ap.?le 可以匹配 aple, apple, apale, apble, …
\前面提到过几种特殊字符
.*+?, 当需要匹配到字符串中的 * ，而不希望将它当成正则模式时， 可以使用\将其转义为普通字符。\也可以用来转义\本身app\?le匹配 app?le , 不能匹配 apple 和 aple .app\\le可以匹配app\leapp\\?le可以匹配app\le和apple
[ ]方括号用来包含一组字符，当成一个字符来使用。
.可以理解为[ ]的特殊版本，.可以匹配任意字符，[ ]可以匹配指定字符， 指定的字符填写在方括号内部，如果将所有字符都填写在方括号内部，作用就变成了匹配任意字符。- [abc] 可以匹配 a, b, c
- h[abc]llo 可以匹配 hallo, hbllo, hcllo 不能匹配 habllo habcllo
需要注意的是， 方括号中可以不用
\转义直接写. * + ? | ^ $ ( ) [ { }这些特殊字符。 只有] \两个字符除外。只不过，加上转义符也是没有关系的。 所以，如果记不住的话，还是每次都加上转义符吧，以免出错。h[*?.]llo可以匹配 h*llo, h?llo, h.llo。h[\*\?\.]llo和h[*?.]llo是等价的
方括号也可以和
* + ?配合使用。可以使用
-表示区间，如果^出现在首个字符，表示取反。- [a-z] 表示 abcd…xyz 的所有小写字母。
- [^a-z] 表示除去 abcd…xyz 之外的所有字符。
- [a-zA-Z0-9] 表示 大写字母、小写字母、所有数字
- [a-zA-Z0-9!@#] 表示 大写字母、小写字母、所有数字、!@#三个符号
方括号括起来的字符本身是只能匹配一次的，可以和
*+?结合使用匹配多次- p[abc]+ 可以匹配 pa, pb, pc, pab, pccc, pbcabbaaac …
{ }{}是* + ?的增强版，它可以指定前一个字符出现的次数。语法是{出现最小次数, 最大次数}*等价于{0, }+等价于{1, }?等价于{0, 1}
如果后面的数字不填写，就相当于无穷大， 如
{5, }表示前一个字符出现至少5次。也可以只填写单个数字，如 {5} 等价于 {5, 5} ,
( )将一个模式进行分组，看成是单个模式，单独使用时，并没有实际作用，一般作为其他功能的铺垫。
|表示 或，和 [] 类似，但是 [] 只能表示单字符之间的或的关系。
chin(a)|(ese) 可以匹配 china, chinese
^匹配行首。
$匹配行尾。
另外正则表达式中还有一些快捷代号：
| 符号 | 描述 | 等价形式 |
|---|---|---|
\d |
匹配数字 | [0-9] |
\D |
匹配非数字 | [^0-9] |
\s |
匹配不可见字符，如空格 | [ tnrfv] |
\S |
匹配任何非不可见字符 | [^ tnrfv] |
\w |
匹配所有数字字母下划线 | [a-zA-Z0-9_] |
\W |
匹配所有非数字字母下划线 | [^a-zA-Z0-9_] |
python re模块接口¶
正则表达式是使用字符串来表示的，如 b(an)+a .但是字符串并不是正则表达式，
需要经过编译后才能变成正则表达式对象。编译前，它仅仅是普通的字符串而已。
import re
# 两者是等价的
reg1 = re.compile('b(an)+a')
reg2 = re.compile('b' + '(an)+' + 'a')
# 编译后的reg1/reg2才是正则表达式。
# 使用match匹配字符串。
match = reg1.match("banana")
正则专用字符串¶
关于转义符，比如正则表达式 8\*8 , 使用了斜杠转义 * , 在普通字符串中，斜杠本身也是转义符，
所以需要写成 '8\\*8' , 需要写两遍，比较繁琐。
所以Python额外提供了一种正则表达式专用字符串：在普通字符串前加上r，字符串中的斜杠将不会被当做转义符。
看一下对比
| 普通字符串 | 正则字符串 |
|---|---|
"ab*" |
r"ab*" |
"\\\\section" |
r"\\section" |
"\\w+\\s+\\1" |
r"\w+\s+\1" |
接口¶
match
从某个位置严格匹配一个字符串。通过第二个参数指定开始位置。默认是最开始位置。
匹配成功返回一个保存了位置信息的 Match 。 失败返回 None .
reg = re.compile("bc") m = reg.match('bcdef') # m.group() -> bc。 成功 m = reg.match('abcdef) # m -> None 匹配失败
search
从某个位置开始搜索字符串。返回第一个搜索到的串。
m = reg.search('bcdef')相当于顺序执行了以下表达式，但是，只要有一个匹配成功就提前返回:
text = "bcdef" m = reg.match(text, 0) if m: return m m = reg.match(text, 1) if m: return m m = reg.match(text, 2) if m: return m …… …… m = reg.match(text, len(text)-1) if m: return m搜索成功返回 Match , 失败返回None
findall
直接返回搜索到的字符串列表。
reg = re.compile(r'\d+') reg.findall('the 3rd people, 34 years old.') # Out: ['3', '34']
finditer
和search/findall类似，但是会一直迭代返回所有搜索到的子串, 每一个迭代值是一个 Match 。
In [7]: text = 'the 3rd people, 34 years old.' In [9]: for span in reg.finditer(text): ...: print(span) ...: <_sre.SRE_Match object; span=(4, 5), match='3'> <_sre.SRE_Match object; span=(16, 18), match='34'>
其他接口
fullmatch: 字符串和正则表达式完全匹配。 split: 和python自带split差不多，但是可以用正则分割字符串。 sub: 和python自带replace差不多，使用正则替换字符串。 subn: 和sub类似，替换字符串，指定最大替换次数。
正则高级用法-分组¶
正则表达式有分组的概念，前面提到过 ( ) 的语法，
单独使用可以将一个模式作为一个分组, 作为一个最小的不可分割单位。
如 (ab)+ 可以完全匹配 abababab, 不能完整匹配 abbbbb
分组还有很多其他用途。分组有两种： 命名分组、匿名分组。 所有分组都会被记录下来，会自动分配一个编号,从前往后分别为 1、 2、 3 ……, 可以通过编号引用匿名分组。
在结果中提取分组
举例, 下面的正则表达式可以提取出来 多少个苹果交换了多少个香蕉。 其中苹果个数是第一个分组，香蕉个数是第二个分组。
(\d) apple exchange (\d) banana
In [1]: reg = re.compile(r'(\d) apple exchange (\d) banana') In [2]: m = reg.match('6 apple exchange 7 banana') In [3]: m Out[3]: <_sre.SRE_Match object; span=(0, 25), match='6 apple exchange 7 banana'> In [4]: m.groups() Out[4]: ('6', '7')
上面的例子，可以通过 match.groups() 提取出所有分组的匹配结果。 这对于从字符串中抽取信息非常有用。
命名分组
通过
(?P<name>...)的方式可以创建命名分组。 结果也可以通过 match.groups() 获取， 同时命名分组还可以使用 match.groupdict() 提取分组匹配结果, 可读性更好。In [1]: reg = re.compile(r'(?P<apple_num>\d) apple exchange (?P<banana_num>\d) banana') In [2]: m = reg.match('6 apple exchange 7 banana') In [3]: m.groups() Out[3]: ('6', '7') In [4]: m.groupdict() Out[4]: {'apple_num': '6', 'banana_num': '7'}
正则表达式内部分组引用
正则表达式内部可以使用 1, 2, 3 对特定编号的分组进行引用。
比如上面的例子，要求 apple 和 banana 的数量必须相等。就可以使用下面的正则。
reg = re.compile(r'(\d) apple exchange \1 banana') # 使用 \1 占位表示此处和第一个分组的内容一样。 m = reg.match('6 apple exchange 7 banana') # => 匹配失败 因为 6/7 不一样 m = reg.match('6 apple exchange 6 banana') # out: <_sre.SRE_Match object; span=(0, 25), match='6 apple exchange 6 banana'> m.groups() # => ('6',)
对于命名分组的引用还可以使用另外一种可读性更好的形式：
(?P=name)# 引用 apple_num reg = re.compile(r'(?P<apple_num>\d) apple exchange (?P=apple_num) banana') m = reg.match('6 apple exchange 7 banana') # => 匹配失败 因为 6/7 不一样 m = reg.match('6 apple exchange 6 banana') # out: <_sre.SRE_Match object; span=(0, 25), match='6 apple exchange 6 banana'> m.groups() # => ('6',) m.groupdict() # => {'apple_num': '6'}
除了上面所说的，正则表达式还存在向前尝试匹配的行为。见下面的附表。
正则表达式附表¶
| 正则表达式 | 作用 |
|---|---|
. |
匹配任意字符 |
^ |
匹配开头 |
$ |
匹配结尾 |
* |
前一个字符出现任意次，也可以不出现 |
+ |
前一个字符出现至少一次 |
? |
前一个字符出现一次或者不出现 |
*?, +?, ?? |
默认情况下， 即尽可能匹配更少字符。 |
{m} |
前一个字符出现m次 |
{m,n} |
前一个字符出现 m~n 次，此区间为闭区间。 |
{m,n}? |
将此模式转换为非贪婪模式 |
\ |
转义符 |
[] |
匹配中括号中的字符 |
∣ |
表示或的关系 |
() |
一般用于创建分组 |
(?...) |
单独使用并没有什么实际含义，根据 一般来说除了 (?P<name>…) 之外，这类表达式都不会被作为分组 |
(?:...) |
默认括号包含的模式都会变成分组，使用这个表达式将不会作为分组。 |
(?P<name>...) |
创建命名分组 |
(?P=name) |
引用命名分组 |
(?#...) |
在正则表达式中增加注释， |
(?=...) |
试探后面的字符是否符合某种模式，不会消耗字符。 比如 因为它仅仅是向前试探而不消耗th两个字符， 并且不能匹配 1st 中的 1。 |
(?!...) |
试探后面的字符不符合某种模式。 |
(?<=...) |
试探前面的字符是否符合某种模式 |
(?<!...) |
试探前面的字符是否不符合某种模式 |
(?(id/name)yes-pattern∣no-pattern) |
引用前面的分组，如果引用成功（即分组存在）， 则当前使用 yes-pattern 中的模式匹配， 否则使用 no-pattern 中的模式匹配 |
\number |
使用数字编号引用分组 |
\A |
匹配字符串开头 |
\b |
匹配单词开头结尾。 如 但是不能匹配 ‘foobar’ or ‘foo3’ |
\B |
和 \b 相反，匹配单词的非开头结尾部分。 |
\d |
匹配数字 |
\D |
匹配非数字 |
\s |
匹配不可见字符，如空格 |
\S |
匹配任何非不可见字符 |
\w |
匹配所有数字字母下划线 |
\W |
匹配所有非数字字母下划线 |