Python正则表达式（一）
2020-11-28 本文已影响0人
名本无名
前言
正则表达式（Regular Expression），就是具有一定规则的表达式。通过正则表达式引擎，将这些规则转换为正则表达式对象，然后再去文本中搜索能够与之匹配的字符串。
正则表达式的语法都是一样的，只是不同编程语言的实现不同，大部分都是师从Perl。
对Perl语言有所了解的朋友，学习python正则应该是手到擒来。
正则表达式入门
Python中的re模块提供了强大的正则表达式功能。
而第三方模块regex提供了与标准库re模块兼容的API接口, 同时还提供了额外的功能和更全面的Unicode支持。
匹配字符
大多数字母和字符只会匹配自身，例如：python只会匹配自己，不会匹配Python。
但是有一些字符串，它们不表示自身，而是具有一些特殊含义，只能通过\转义之后才表示自身。
这些字符包括：
. ^ $ * + ? { } [ ] \ | ( )
.:
- 在默认模式中，匹配除换行外所有字符，如果指定了
DOTALL标签，则表示任意字符
import re
"""
re.findall(pattern, string, flags=0)
pattern: 匹配规则，字符串
string: 需要去匹配的字符串
从左到右进行扫描，匹配按找到的顺序返回。如果样式里存在一个或多个组，就返回一个组合列表
"""
re.findall('ab.', 'abc')
# Out[1]: ['abc']
re.findall('ab.', 'ab\n')
# Out[2]: []
re.findall('ab.', 'ab\n', re.DOTALL)
# Out[3]: ['ab\n']
^:
- 匹配字符串的开头， 如果是
MULTILINE模式，匹配每行开头(\n之后)的首个符号。 - 在字符集中可表示'非'，
[^a]表示除字符a之外的字符。
re.findall('^ab', 'abcda\nabddd')
# Out[4]: ['ab']
re.findall('^ab', 'abcda\nabddd', re.MULTILINE)
# Out[5]: ['ab', 'ab']
re.findall('[^a]', 'aaa\nbbb')
# Out[6]: ['\n', 'b', 'b', 'b']
$:
- 匹配字符串的末尾，或者在字符串末尾换行符的前一个字符。
- 在
MULTILINE模式下匹配每行末尾(\n之前)的字符。
re.findall('ab$', 'abcdab\nabdab')
# Out[7]: ['ab']
# 上面结果中的 ab 是 \n 前面的还是后面的呢？进行如下测试，发现是后面的 ab 被匹配了
re.findall('ab.$', 'abcdab1\nabdab2')
# Out[8]: ['ab2']
# 在 MULTILINE 模式下，两个都被匹配了
re.findall('ab$', 'abcdab\nabdab', re.MULTILINE)
# Out[9]: ['ab', 'ab']
# 而对 $ 在换行结尾的字符串中匹配时，会得到两个空字符，一个在换行符之前，一个在字符串的末尾
re.findall('$', 'abcdab1\n')
# Out[10]: ['', '']
*:
- 匹配前一个规则0次或无限次
re.findall('ab*', 'a')
# Out[11]: ['a']
re.findall('ab*', 'ab')
# Out[12] ['ab']
re.findall('ab*', 'abbbbbbbbbbbbbb')
# Out[13] ['abbbbbbbbbbbbbb']
+:
- 匹配前一个规则1次或无限次
re.findall('ab+', 'a')
# Out[14]: []
re.findall('ab+', 'ab')
# Out[15] ['ab']
re.findall('ab+', 'abbbbbbbbbbbbbb')
# Out[16] ['abbbbbbbbbbbbbb']
?:
- 匹配前一个规则0次或1次
re.findall('ab?', 'a')
# Out[17]: ['a']
re.findall('ab?', 'ab')
# Out[18] ['ab']
re.findall('ab?', 'abbbbbbbbbbbbbb')
# Out[19] ['ab']
.?,*?,??:
-
.,*,?修饰符都是贪婪的，会尽可能的匹配更多的字符串 - 贪婪的我，当然是赞越多越好呀。
- 而在这些修饰符后面加上
?，便成了非贪婪模式，会尽可能少的匹配字符串
re.findall('<.*>', '<a>bcd>')
# Out[20] ['<a>bcd>']
re.findall('<.*?>', '<a>bcd>')
# Out[21] ['<a>']
{m}:
- 指定前面的正则表达式出现的次数，出现次数必须完全一致。
re.findall('a{3}', 'aa')
# Out[22]: []
re.findall('a{3}', 'aaaaa')
# Out[23]: ['aaa']
{m, n}:
- 指定前面的正则表达式出现的次数在
m~n之间，尽可能多的匹配，匹配的下界是m，上界是n。 - 若缺省
m，下界为0，若缺省n，为不设上界，即无限次。
re.findall('a{3, 5}', 'aaaa')
# Out[24]: []
# 3,5 之间不能添加空格
re.findall('a{3,5}', 'aaaa')
# Out[25]: ['aaaa']
re.findall('a{3,}', 'aaaa')
# Out[26]: ['aaaa']
re.findall('a{,5}', 'aaaa')
# Out[27] ['aaaa', '']
{m, n}?:
- 即非贪婪模式，尽可能少的匹配字符串。
re.findall('a{3,}?', 'aaaaa')
# Out[28] ['aaa']
\:
- 转义特殊字符。如
'\.'只表示.，而不再是表示任意字符。 - 匹配
\字符需要转义，用\\表示
re.findall('\.', 'aa')
# Out[29] []
re.findall('\.', 'aa.')
# Out[30] ['.']
- 反斜杠灾难：反斜杠具有转义作用，如果需要匹配的字符串中存在多个
\，就需要调加相应数量的\来转义
re.findall('\\\\ab', '\\abc') # ['\\ab']
"""
在反复使用反斜杠的正则中，这会导致大量重复的反斜杠，
并使得生成的字符串难以理解。
解决方案:
使用 Python 的原始字符串表示法来表示正则表达式；
'r' 为前缀的字符串，反斜杠不再表示转义
"""
re.findall(r'\\ab', '\\abc') # ['\\ab']
re.findall(r'\n', '\n') # ['\n']
[ ]:
- 表示字符集集合。匹配该字符需要转义
\[,\]
# 1、单独列出，匹配 a、b 或 c
re.findall('[abc]', 'ab.')
# Out[31]: ['a', 'b']
"""
2、字符范围：
[a-j]: 表示小写字母 a~j
[1-6]:表示数字 1~6
转义: 如 [a\-z] 或者它的位置在首位或者末尾（[-a] 或 [a-]），它就只表示普通字符 '-'。
"""
re.findall('[a\-z]', '-')
# Out[32]: ['-']
re.findall('[-a]', '-')
# Out[33]: ['-']
re.findall('[a-]', '-')
# Out[34]: ['-']
"""
3、特殊字符失去特殊含义
比如 [(+*)] 只会匹配这几个字符 '(', '+', '*', or ')'。
"""
re.findall('[(+*)]', '+-*/()')
# Out[35] ['+', '*', '(', ')']
"""
4、字符类
可以使用字符类：\w，\S 等，它们可以匹配的字符由 ASCII 或者 LOCALE 模式决定。
"""
re.findall('[\w]', 'abfagg-/*-')
# Out[36] ['a', 'b', 'f', 'a', 'g', 'g']
"""
5、取反
如果集合首字符是 '^' ，所有不在集合内的字符将会被匹配
[^^] 将匹配所有字符，除了 '^'.
^ 如果不在集合首位，就没有特殊含义。
"""
# 非 \w 定义的字母
re.findall('[^\w]', 'abfagg-/*-')
# Out[37] ['-', '/', '*', '-']
"""
6、匹配字符 ']'
两种方法
加上反斜杠
放到集合首位
"""
# 加上反斜杠
re.findall('\]', 'abc]')
# Out[38] [']']
# 放到集合首位
re.findall('[]{}]', ']abc')
# Out[39] [']']
|:
- 或。
A|B，匹配正则表达式A或B，A、B可以是任何正则表达式。 - 如果
A匹配成功，则不会再匹配B。 - 匹配
|字符需要转义，\|或[|]
re.findall('a|b', 'acb')
# Out[40] ['a', 'b']
re.findall('[|]', 'ab|c')
# Out[41] ['|']
(...):
- 小括号，可以组合表达式，匹配括号内的组合表达式，并标注表达式的开始和结束位置，可用于后续捕获
- 每对小括号代表一个组合，可以通过
\number的方式引用组合，\1表示第一个组合。 - 要匹配字符
(或者), 用\(或\), 或者放在字符集合里:[(],[)]。
re.findall('a(b+)', 'abbb')
# Out[42] ['bbb']
。
re.findall(r'(b)a\1', 'bab')
# Out[43] ['b']
总结
image.png
