python进阶：如何使用正则表达式查找你想要的信息

上期，我们学会了用python内置得find()方法和replace()来进行查找和替换的操作。不过这两种的方法局限性很大，它们在查找时都是只能匹配特定的字符。比如下面这个查找：string.find('Hello')，只能匹配Hello，对于HELLO和hello，find()方法都是匹配不到的。本期，我们可以用正则表达式来解决这个问题。

正则表达式，它是一系列规则，主要用于高级查找和替换。

re模块

使用正则表达式必须使用python内置的模块re，然后定义一个匹配规则，然后根据这个规则在给定的字符串内匹配[1]。

正则表达式的匹配过程

下面这个例子简单地给出了re模块的用法：

>>> line = 'Hello, Jack! hello, Lucy! HELLO, Linda!'
# 引入re模块
>>> import re
# 定义匹配规则
>>> pattern = re.compile(r'hello')
# 查找
>>> pattern.findall(line)
['hello']

回到文章开头的问题，如果我们只想匹配到hello不区分大小写，需要定义匹配规则时使用re模块中的参数re.I：

>>> line = 'Hello, Jack! hello, Lucy! HELLO, Linda!'
# 引入re模块
>>> import re
# 定义匹配规则，设置参数 re.I
>>> pattern = re.compile(r'hello',re.I)
>>> pattern.findall(line)
['Hello', 'hello', 'HELLO']

re模块不仅可以查找，还可以通过sub()方法实现替换。re.sub()有5个函数，三个必选参数pattern,repl,string；两个可选参数count,flags。

它的标准形式是re.sub(pattern,repl,string,count,flags)。其中：pattern可以是一个字符串，也可以是一个匹配规则；repl指替换成的字符串；string指要被替换的字符串；count指匹配的次数[2]。比如，将hello（不区分大小写）全部替换成Hi。

>>> line = 'Hello, Jack! hello, Lucy! HELLO, Linda!'
>>> import re
>>> pattern = re.compile(r'hello',re.I)
>>> re.sub(pattern, 'Hi', line)
'Hi,jack. Hi,Nancy! Hi, Linda!'

上面的例子中，pattern代表了所有不区分大小写的hello，然后使用re.sub()方法将其全部替换成Hi，line是目标字符串。

元字符

元字符	说明
.	匹配除了换行符以外的任何字符
\w	匹配所有的字母、数字和下划线
\s	匹配所有的空白字符（空格\f\n\r\t\v）
\d	匹配所有的数字（[0~9]）
\b	匹配单词的开始或者结束
^	匹配字符串的开始
$	匹配字符串的结束

如果我们想找出一个字符串中的所有数字，就可以用\d来匹配。

>>> line = '''I have 2 phones, the one is iphone7 
··· and the other is huawei p10.'''
>>> pattern = re.compile('\d')
>>> pattern.findall(line)
['2', '7', '1', '0']

如果我们并不想让10被拆分成1和0，而是要求['2', '7', '10']这样的结果，这时就需要给出重复次数。

重复

重复的次数大致有以下几种：

符号	说明
*	任意次数，包括0次
+	任意次数，且至少1次
?	重复0次或者1次
{n}	重复n次
{n,}	重复n次或者更多次
{n,m}	重复n次到m次（n<=m）

既然可以指定重复次数，那么当我们不想10被拆分，就可以使用+来匹配，这时10就是一个数字整体。

>>> line = '''I have 2 phones, the one is iphone7 
··· and the other is huawei p10.'''
>>> pattern = re.compile('\d+')
>>> pattern.findall(line)
['2', '7', '10']

字符类

元字符中的字符类都比较宽泛，比如\d代表0~9这10个数字，可是如果我们只想找出0~4之间的数字，可以使用字符类来完成。

>>> line = '''I have 2 phones, the one is iphone7 
··· and the other is huawei p10.'''
>>> pattern = re.compile('[01234]+')
>>> pattern.findall(line)
['2', '10']

[01234]可以看作是一个枚举出所有元素的集合，只要目标字符串中的元素在这个集合中，都能够匹配到。

反义

有的时候，我们仅仅想排除少数几个字符，如果用字符类的话，需要写出大量的字符，效率必然不高。这时，用反义会更加方便[3]。

元字符	说明
\W	匹配所有除了字母、数字和下划线的其它字符
\S	匹配所有除了空白字符的其它字符
\D	匹配除了数字以外的所有字符
\B	匹配不是字符串开头或结束的位置
[^ab]	匹配除了字母a和b以外所有的字符

比如：想要排除字符串line中的所有数字，只需要使用\D+就能实现。

>>> line = '''I have 2 phones, the one is iphone7 
··· and the other is huawei p10.'''
>>> pattern = re.compile('\D+')
>>> pattern.findall(line)
['I have ', ' phone, the one is iphone', ' and the other is huawei p', '.']

注意，如果这个时候使用\D，匹配到的将是一个个单字符，大家可以尝试一下。

分组

如果两种匹配规则都满足要求，我们是否由办法让它们共存呢？答案是可以的，使用分组，符号是|。比如：我们想匹配到所有的数字和空白字符，就可以用\d|\s来表示。

>>> line = '''I have 2 phones, the one is iphone7 
··· and the other is huawei p10.'''
>>> pattern = re.compile('\d+|\s+')
>>> pattern.findall(line)
[' ', ' ', '2', ' ', ' ', ' ', ' ', ' ', '7', ' ', ' ', ' ', ' ', ' ', ' ', '10']

总结

1. 使用re模块可以借助正则表达式实现高级的字符串的查找和替换操作
2. 元字符将字符划分成几大类
3. 可以限定重复次数，更好地进行匹配
4. 字符类和反义给出了更精准的匹配方式
5. 使用分组，实现多种匹配模式并存
6. 详细的正则表达式的匹配字符，请看下图：

正则表达式

思考

# 1.尝试写出能匹配到邮箱的正则表达式
# 提示：邮箱的格式是：用户名@域名.顶级域名
#      用户名是由字母数字下划线组成的
#      域名和顶级域名都是由字母和数字组成的
# 2.尝试写出能够匹配出ip地址的正则表达式
# 提示：ip地址由四个数字构成
#      数字之间用逗号隔开
#      每个数字的取值范围都是0~255

# 邮箱：\w+@[\w^_]+\.[\w^_]+
# ip地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

参考资料

1. 《Python正则表达式指南》原文链接：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
2. 《Python的替换函数——strip(),replace()和re.sub()》，原文链接：http://blog.csdn.net/zcmlimi/article/details/47709049
3. 《正则表达式30分钟入门教程》原文链接：https://deerchao.net/tutorials/regex/regex.htm#mission

扫一扫这个二维码，关注公众号：聪哥python，获取最新python3基础教程

聪哥python