正则表达式概述

正则表达式,又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法(英语:Regular Expression,在代码中常简写为regex、regexp或RE),是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。

Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思,Regular Expression即“描述某种规则的表达式”之意。

re模块操作

# 导入re模块
    import re

    # 使用match方法进行匹配操作
    result = re.match(正则表达式,要匹配的字符串)

    # 如果上一步匹配到数据的话,可以使用group方法来提取数据
    result.group()

re.match是用来进行正则匹配检查的方法,若字符串匹配正则表达式,则match方法返回匹配对象(Match Object),否则返回None(注意不是空字符串"")。

匹配对象Macth Object具有group方法,用来返回字符串的匹配部分。

如匹配以abc开始的字符:

 import re
 ret=re.match('abc','abckok')
 print(ret.group())
 #结果:
 #abc

表示字符

字符 功能
. 匹配任意1个字符(除了\n)
[ ] 匹配[ ]中列举的字符
\d 匹配数字,即0-9
\D 匹配非数字,即不是数字
\s 匹配空白,即 空格,tab键
\S 匹配非空白
\w 匹配单词字符,即a-z、A-Z、0-9、_
\W 匹配非单词字符

如:“a1d45d” 匹配出a1

import re
ret=re.match('\w\d','a1d45d')
print(ret.group())
#结果:
#a1

关于转义

在正则表达式中,有很多有特殊意义的是元字符,比如\d和\s等,如果要在正则中匹配正常的"\d"而不是"数字"就需要对"\"进行转义,变成'\\'。

在python中,无论是正则表达式,还是待匹配的内容,都是以字符串的形式出现的,在字符串中\也有特殊的含义,本身还需要转义。所以如果匹配一次"\d",字符串中要写成'\\d',那么正则里就要写成"\\\\d",这样就太麻烦了。这个时候我们就用到了r'\d'这个概念,此时的正则是r'\\d'就可以了。

如:

import re
 ret=re.match(r'c:\\',"c:\\user\\")
 print(ret.group())
 #结果:
 #c:\

表示数量

如果要匹配多个数字,用re.match(r'\d\d\d\d\d\d\d\d\d',"11111111111abc"),这种写法会把人折磨死,re模块对数量也有相应的规则

匹配多个字符的相关格式

字符 功能
* 匹配前一个字符出现0次或者无限次,即可有可无
+ 匹配前一个字符出现1次或者无限次,即至少有1次
匹配前一个字符出现1次或者0次,即要么有1次,要么没有
{m} 匹配前一个字符出现m次
{m,} 匹配前一个字符至少出现m次
{m,n} 匹配前一个字符出现从m到n次

示例1:匹配出,一个字符串第一个字母为大写字母,后面都是小写字母并且这些小写字母可有可无。

import re

ret=re.match(r'[A-Z][a-z]*',"Asdasdd12155")

print(ret.group())

#结果:

#Asdasdd

示例2:匹配出变量名是否有效

import re

ret=re.match(r'[A-Za-z_]+[\w]*',"_func")

print(ret.group())

#结果:

#_func

示例3:匹配出0-99间的数字

import re

ret=re.match(r'[1-9]?[0-9]?',"569565")

print(ret.group())

#结果:

#56

示例4:匹配出,8到20位的密码,可以是大小写英文字母、数字、下划线

import re

ret=re.match(r'[A-Za-z0-9_]{8,20}',"Adfsf465655f2s5a+")

print(ret.group())

#结果:

#Adfsf465655f2s5a

表示边界

字符 功能
^ 匹配字符串开头
$ 匹配字符串结尾
\b 匹配一个单词的边界
\B 匹配非单词边界

示例1:匹配163.com的邮箱地址

import re

ret=re.match(r'\w{4,20}@163\.com$',"gmpzm@163.com")

print(ret.group())

#结果:

#gmpzm@163.com

错误情况

import re

ret=re.match(r'\w{4,20}@163\.com$',"gmpzm@163.comsda")

print(ret.group())

#结果:

#
# 
#     
# AttributeError: 'NoneType' object has no attribute 'group'

示例2:\b

import re

ret=re.match(r'.*pai\b',"gumupai")

print(ret.group())

#结果:

# gumupai

示例3:\B

import re

ret=re.match(r'.*\Bmupai',"gumupai")

print(ret.group())

#结果:

# gumupai

出错情况

import re

ret=re.match(r'.*\Bmupai',"gu mupai")

print(ret.group())

#结果:

# AttributeError: 'NoneType' object has no attribute 'group'

匹配分组

字符 功能
| 匹配左右任意一个表达式
(ab) 将括号中字符作为一个分组
\num 引用分组num匹配到的字符串
(?P<name>) 分组起别名
(?P=name) 引用别名为name分组匹配到的字符串

示例1:匹配1-100之间的数字

import re

ret = re.match("[1-9]?\d","8")
ret.group()

ret = re.match("[1-9]?\d","78")
ret.group()

# 不正确的情况
ret = re.match("[1-9]?\d","08")
ret.group()

# 修正之后的
ret = re.match("[1-9]?\d$","08")
ret.group()

# 添加|
ret = re.match("[1-9]?\d$|100","8")
ret.group()

ret = re.match("[1-9]?\d$|100","78")
ret.group()

ret = re.match("[1-9]?\d$|100","08")
ret.group()

ret = re.match("[1-9]?\d$|100","100")
ret.group()

示例2:匹配出163、126、qq邮箱之间的数字

import re

ret = re.match("\w{4,20}@163\.com", "test@163.com")
ret.group()

ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com")
ret.group()

ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com")
ret.group()

ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")
ret.group()

示例3:匹配出<html>古墓派掌门</html>

import re

ret=re.match(r'<([a-zA-Z]*)>\w+</\1>',"<html>古墓派掌门</html>")

print(ret.group())

#结果:

#<html>古墓派掌门</html>

示例4:匹配出<html><h1>古墓派掌门</h1></html>

import re

ret=re.match(r'<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>',"<html><h1>古墓派掌门</h1></html>")

print(ret.group())

#结果:

#<html><h1>古墓派掌门</h1></html>

tips:注意:(?P<name>)和(?P=name)中的字母p大写

re模块常用方法

search

函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以通过调用group()方法得到匹配的字符串,如果字符串没有匹配,则返回None。

import re 
 ret = re.search(r"\d+", "阅读次数为 9999")
 ret.group()
 #结果9999

findall 

返回所有满足匹配条件的结果,放在列表里

import re

ret=re.findall(r'\d+',"商品:辣条,数量:5,价格:5")

print(ret)

#结果:

#['5', '5']

findall的优先级查询:

import re

ret=re.findall(r'(数量:\d+),价格:\d+',"商品:辣条,数量:5,价格:5")

print(ret)

#结果:

#['数量:5']

#取消优先级
ret=re.findall(r'(?:数量:\d+),价格:\d+',"商品:辣条,数量:5,价格:5")
print(ret)

# 结果

# ['数量:5,价格:5']

split

split的优先级查询

import re
ret=re.split(r'\d+',"小米3小花4小松5")

print(ret)

#结果:
# ['小米', '小花', '小松', '']

ret=re.split(r'(\d+)',"小米3小花4小松5")

print(ret)

#结果:
# ['小米', '3', '小花', '4', '小松', '5', '']

#取消优先级
ret=re.split(r'(?:\d+)',"小米3小花4小松5")

print(ret)

# 结果

# ['小米', '小花', '小松', '']

python贪婪和非贪婪

Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;

非贪婪则相反,总是尝试匹配尽可能少的字符。

在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪。

>>> s="This is a number 234-235-22-423"
>>> r=re.match(".+(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'4-235-22-423'
>>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'234-235-22-423'
>>>

正则表达式模式中使用到通配字,那它在从左到右的顺序求值时,会尽量“抓取”满足匹配最长字符串,在我们上面的例子里面,“.+”会从字符串的启始处抓取满足模式的最长字符,其中包括我们想得到的第一个整型字段的中的大部分,“\d+”只需一位字符就可以匹配,所以它匹配了数字“4”,而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。

解决方式:非贪婪操作符“?”,这个操作符可以用在"*","+","?"的后面,要求正则匹配的越少越好。

>>> re.match(r"aa(\d+)","aa2343ddd").group(1)
'2343'
>>> re.match(r"aa(\d+?)","aa2343ddd").group(1)
'2'
>>> re.match(r"aa(\d+)ddd","aa2343ddd").group(1) 
'2343'
>>> re.match(r"aa(\d+?)ddd","aa2343ddd").group(1)
'2343'
>>>