什麼是正則表達式
就是用事先定義好的一些特定字符、及這些特定字符的組合,組成一個"規則字符串",這個"規則字符串"用來表達對字符串的一種過濾邏輯。
給定一個正則表達式和另一個字符串,我們可以達到如下的目的:
- 給定的字符串是否符合正則表達式的過濾邏輯("匹配");
- 通過正則表達式,從文本字符串中獲取我們想要的特定部分("過濾")。
正則表達式匹配規則
模式 | 描述 |
\w | 匹配字母、數字、下劃線,等價於[a-zA-Z0-9_] \w可以匹配漢字(python), |
\W | 匹配不是字母、數字、下劃線的其他字符 |
\s | 匹配任意空白字符,等價於(\t\n\r\f) |
\S | 匹配任意非空字符 |
\d | 匹配數字,等價於[0-9] |
\D | 匹配不是數字的字符 |
\A | 匹配字符串開頭 |
\Z | 匹配字符串結尾的,如果存在換行,只匹配到換行前的結束字符串 |
\z | 匹配字符串結尾的,如果存在換行,匹配到換行符\n |
\G | 最好完成匹配的位置 |
\n | 匹配一個換行符 |
\t | 匹配一個製表符(tab) |
^ | 匹配一行字符串的開頭 |
$ | 匹配一行字符串的結尾 |
. | 匹配任意字符,除了換行符.當re.DOTALL標記被指定時,這可以匹配包括換行符在內的任字符 |
[…] | 用來表示一組字符,比如[abc]表示匹配a或b或c,[a-z],[0-9] |
[^…] | 匹配不在[]裏面的字符,比如[^abc]匹配除a,b,c以外的字符 |
* | 匹配0個或多個字符 |
+ | 匹配1個或多個字符 |
? | 匹配0個或1個前面的正則表達式片段,(.*?)表示儘可能少地匹配字符(後面詳解) |
{n} | 精確匹配前面n個前面的表達式,如\d{5}表示匹配5個數字 |
{n,m} | 匹配前面的表達式n到m次,貪婪模式 |
a | b |
(…) | 匹配括號裏的表達式,也可以表示一個組 |
Python 的 re 模塊
在 Python 中,我們可以使用內置的 re 模塊來使用正則表達式。
有一點需要特別注意的是,正則表達式使用 對特殊字符進行轉義,所以如果我們要使用原始字符串,只需加一個 r 前綴,示例:
r'chuanzhiboke\t\.\tpython'
在python正則表達中儘可能的使用原始字符串,待匹配的字符串中看到什麼就在正則表達式寫什麼,就不會出現問題
a = 'a\nb'
print(len(a)) # 3
b = r'a\nb'
print(len(b)) # 4
# '\n'長度爲1,r'\n'長度爲2
re 模塊的一般使用步驟如下:
-
使用
compile()
函數將正則表達式的字符串形式編譯爲一個Pattern
對象 -
通過
Pattern
對象提供的一系列方法對文本進行匹配查找,獲得匹配結果,一個 Match 對象。 -
最後使用
Match
對象提供的屬性和方法獲得信息,根據需要進行其他的操作
常用正則表達式的方法:
- re.compile(編譯)
- pattern.match(從頭找一個,一次匹配)
- pattern.search(從任何位置開始找一個,一次匹配)
- pattern.findall(找所有,返回列表)
- finditer 方法 (全部匹配,返回迭代器)
- pattern.sub(替換)
- pattern.split (分割字符串,返回列表)
1、compile 函數
compile 函數用於編譯正則表達式,生成一個 Pattern 對象,它的一般使用形式如下:
import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'\d+')
在上面,我們已將一個正則表達式編譯成 Pattern 對象,接下來,我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。
2、match 方法
match 方法用於查找字符串的頭部(也可以指定起始位置),它是一次匹配,只要找到了一個匹配的結果就返回,而不是查找所有匹配的結果。它的一般使用形式如下:
match(string[, pos[, endpos]])
- string 是待匹配的字符串;
- pos 和 endpos 是可選參數,指定字符串的起始和終點位置,默認值分別是 0 和 len (字符串長度)。
當你不指定 pos 和 endpos 時,match 方法默認匹配字符串的頭部。
當匹配成功時,返回一個 Match 對象,如果沒有匹配上,則返回 None。
import re
pattern = re.compile(r'\d+') # 用於匹配至少一個數字
m = pattern.match('one12twothree34four') # 查找頭部,沒有匹配
print(m)
# None
m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配,沒有匹配
print(m)
# None
m = pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開始匹配,正好匹配
print(m) # 返回一個 Match 對象
# <re.Match object; span=(3, 5), match='12'>
print(m.group(0)) # 可省略 0
# 12
print(m.start(0)) # 可省略 0
# 3
print(m.end(0)) # 可省略 0
# 5
print(m.span(0)) # 可省略 0
# (3, 5)
在上面,當匹配成功時返回一個 Match 對象,其中:
-
group([group1, ...]) 方法用於獲得一個或多個分組匹配的字符串,當要獲得整個匹配的子串時,可直接使用 group() 或 group(0);
-
start([group]) 方法用於獲取分組匹配的子串在整個字符串中的起始位置(子串第一個字符的索引),參數默認值爲 0;
-
end([group]) 方法用於獲取分組匹配的子串在整個字符串中的結束位置(子串最後一個字符的索引+1),參數默認值爲 0;
-
span([group]) 方法返回 (start(group), end(group))。
再看看一個例子:
import re
pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小寫
m = pattern.match('Hello World Wide Web')
print(m) # 匹配成功,返回一個 Match 對象
# <re.Match object; span=(0, 11), match='Hello World'>
print(m.group(0)) # 返回匹配成功的整個子串
# 'Hello World'
print(m.span(0)) # 返回匹配成功的整個子串的索引
# (0, 11)
print(m.group(1)) # 返回第一個分組匹配成功的子串
# 'Hello'
print(m.span(1)) # 返回第一個分組匹配成功的子串的索引
# (0, 5)
print(m.group(2)) # 返回第二個分組匹配成功的子串
# 'World'
print(m.span(2)) # 返回第二個分組匹配成功的子串
# (6, 11)
print(m.groups()) # 等價於 (m.group(1), m.group(2), ...)
# ('Hello', 'World')
print(m.group(3)) # 不存在第三個分組
# Traceback (most recent call last):
# IndexError: no such group
3、search 方法
search 方法用於查找字符串的任何位置,它也是一次匹配,只要找到了一個匹配的結果就返回,而不是查找所有匹配的結果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可選參數,指定字符串的起始和終點位置,默認值分別是 0 和 len (字符串長度)。
當匹配成功時,返回一個 Match 對象,如果沒有匹配上,則返回 None。
讓我們看看例子:
import re
pattern = re.compile(r'\d+')
m = pattern.search('one12twothree34four') # 這裏如果使用 match 方法則不匹配
print(m)
print(m.group())
# <re.Match object; span=(3, 5), match='12'>
# '12'
m = pattern.search('one12twothree34four', 10, 30) # 指定字符串區間
print(m)
print(m.group())
# <re.Match object; span=(13, 15), match='34'>
# '34'
print(m.span())
# (13, 15)
再來看一個例子:
import re
pattern = re.compile(r'\d+')
m = pattern.search('hello 123456 789') # 這裏使用 match() 無法成功匹配
if m:
print('matching string:', m.group()) # 使用 Match 獲得分組信息
print('position:', m.span()) # 起始位置和結束位置
# matching string: 123456
# position: (6, 12)
4、findall 方法
上面的 match 和 search 方法都是一次匹配,只要找到了一個匹配的結果就返回。然而,在大多數時候,我們需要搜索整個字符串,獲得所有匹配的結果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可選參數,指定字符串的起始和終點位置,默認值分別是 0 和 len (字符串長度)。
findall 以列表形式返回全部能匹配的子串,如果沒有匹配,則返回一個空列表。
看看例子:
import re
pattern = re.compile(r'\d+')
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print(result1)
print(result2)
# ['123456', '789']
# ['1', '2']
再先看一個栗子:
import re
pattern = re.compile(r'\d+\.\d*')
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
print(type(result))
# <class 'list'>
for item in result:
print(item)
# 123.141593
# 3.15
5、finditer 方法
finditer 方法的行爲跟 findall 的行爲類似,也是搜索整個字符串,獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果(Match 對象)的迭代器。
看看例子:
import re
pattern = re.compile(r'\d+')
result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)
print(type(result_iter1))
print(type(result_iter2))
# <class 'callable_iterator'>
# <class 'callable_iterator'>
print('result1...')
for m1 in result_iter1: # m1 是 Match 對象
print('matching string: {}, position: {}'.format(m1.group(), m1.span()))
# matching string: 123456, position: (6, 12)
# matching string: 789, position: (13, 16)
print('result2...')
for m2 in result_iter2:
print('matching string: {}, position: {}'.format(m2.group(), m2.span()))
# matching string: 1, position: (3, 4)
# matching string: 2, position: (7, 8)
6、split 方法
split 方法按照能夠匹配的子串將字符串分割後返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用於指定最大分割次數,不指定將全部分割。
import re
p = re.compile(r'[\s\,\;]+')
print (p.split('a,b;; c d'))
# ['a', 'b', 'c', 'd']
使用多個分隔符分隔字符串
split多個分隔符 單一分隔符,使用str.split()即可
多個分隔符,複雜的分隔情況,使用re.split
(1)多個單一 分隔符 時 ,"[]"與 "|"的 效果是一樣的,但是 請注意 使用 “|”時某些字符 需要轉義
import re
line1 = "word;Word,emp?hahaha"
print(re.split(r";|,|\?", line1)) # 別忘了轉義"?"
# ['word', 'Word', 'emp', 'hahaha']
print(re.split(r"[;,?]", line1))
# ['word', 'Word', 'emp', 'hahaha']
(2)多個 長短 不一 的的分隔符的分隔符時, 就應該使用 "|"
line2 = "word;Word=+,emp? hahaha; whole, cai"
print(re.split(r";|=\+,|\?\s|;\s|,\s", line2))
# ['word', 'Word', 'emp', 'hahaha', ' whole', ' cai']
(3)更加漸變簡便 的 用法 是
print(re.split(r"\W+", line1))
print(re.split(r"\W+", line2))
(4) “()”則是 將 分隔 後的 結果 連同分隔符均 有所 保留
rint(re.split(r"(\W+)", line2))
# ['word', ';', 'Word', '=+,', 'emp', '? ', 'hahaha', '; ', 'whole', ', ', 'cai']
7、sub 方法
sub 方法用於替換。它的使用形式如下:
sub(repl, string[, count])
其中,repl 可以是字符串也可以是一個函數:
-
如果 repl 是字符串,則會使用 repl 去替換字符串每一個匹配的子串,並返回替換後的字符串,另外,repl 還可以使用 id 的形式來引用分組,但不能使用編號 0;
-
如果 repl 是函數,這個方法應當只接受一個參數(Match 對象),並返回一個字符串用於替換(返回的字符串中不能再引用分組)。
-
count 用於指定最多替換次數,不指定時全部替換。
看看例子:
import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'
print(p.sub(r'hello world', s)) # 使用 'hello world' 替換 'hello 123' 和 'hello 456'
print(p.sub(r'\2 \1', s)) # 引用分組
# hello world, hello world
# 123 hello, 456 hello
def func(m):
print(m)
return 'hi' + ' ' + m.group(2) # group(0) 表示本身,group(1)表示hello,group(2) 表示後面的數字
print(p.sub(func, s)) # 多次sub,每次sub的結果傳遞給func
print(p.sub(func, s, 1)) # 最多替換一次
# <re.Match object; span=(0, 9), match='hello 123'>
# <re.Match object; span=(11, 20), match='hello 456'>
# hi 123, hi 456
# <re.Match object; span=(0, 9), match='hello 123'>
# hi 123, hello 456
8、匹配中文
在某些情況下,我們想匹配文本中的漢字,有一點需要注意的是,中文的 unicode 編碼範圍 主要在 [u4e00-u9fa5],這裏說主要是因爲這個範圍並不完整,比如沒有包括全角(中文)標點,不過,在大部分情況下,應該是夠用的。
假設現在想把字符串 title = u'你好,hello,世界' 中的中文提取出來,可以這麼做:
import re
title = '你好,hello,世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print(result)
# ['你好', '世界']
注意到,我們在正則表達式前面加上了兩個前綴 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。
注意:貪婪模式與非貪婪模式
- 貪婪模式:在整個表達式匹配成功的前提下,儘可能多的匹配 ( * );
- 非貪婪模式:在整個表達式匹配成功的前提下,儘可能少的匹配 ( ? );
- Python裏數量詞默認是貪婪的。
示例一 : 源字符串:abbbc
-
使用貪婪的數量詞的正則表達式
ab*
,匹配結果: abbb。*
決定了儘可能多匹配 b,所以a後面所有的 b 都出現了。 -
使用非貪婪的數量詞的正則表達式
ab*?
,匹配結果: a。即使前面有
*
,但是?
決定了儘可能少匹配 b,所以沒有 b。
示例二 : 源字符串:aa<div>test1</div>bb<div>test2</div>cc
-
使用貪婪的數量詞的正則表達式:
<div>.*</div>
-
匹配結果:
<div>test1</div>bb<div>test2</div>
這裏採用的是貪婪模式。在匹配到第一個"
</div>
"時已經可以使整個表達式匹配成功,但是由於採用的是貪婪模式,所以仍然要向右嘗試匹配,查看是否還有更長的可以成功匹配的子串。匹配到第二個"</div>
"後,向右再沒有可以成功匹配的子串,匹配結束,匹配結果爲"<div>test1</div>bb<div>test2</div>
"
-
使用非貪婪的數量詞的正則表達式:
<div>.*?</div>
-
匹配結果:
<div>test1</div>
正則表達式二採用的是非貪婪模式,在匹配到第一個"
</div>
"時使整個表達式匹配成功,由於採用的是非貪婪模式,所以結束匹配,不再向右嘗試,匹配結果爲"<div>test1</div>
"。