python的正则表达式

基础知识

对于字符串的操做在任何一门编程语言中都很重要,而python常常运用于数据处理,合理运用正则,能够帮助咱们更好地处理数据python

在正则表达式中,若是直接给出字符,就是精确匹配。用\d能够匹配一个数字,\w能够匹配一个字母或数字正则表达式

例如:编程

'00\d'能够匹配'007',但没法匹配'00A''\d\d\d'能够匹配'010''\w\w\d'能够匹配'py3'

能够匹配任意字符,因此:能够匹配、、等等。.'py.''pyc''pyo''py!'

要匹配变长的字符,在正则表达式中,用*表示任意个字符(包括0个),用+表示至少一个字符,用?表示0个或1个字符,用{n}表示n个字符,用{n,m}表示n-m个字符:后端

来看一个复杂的例子:\d{3}\s+\d{3,8}服务器

咱们来从左到右解读一下:编程语言

  1. \d{3}表示匹配3个数字,例如'010'函数

  2. \s能够匹配一个空格(也包括Tab等空白符),因此\s+表示至少有一个空格,例如匹配' '' '等;spa

  3. \d{3,8}表示3-8个数字,例如'1234567'code

综合起来,上面的正则表达式能够匹配以任意个空格隔开的带区号的电话号码。对象

若是要匹配'010-12345'这样的号码呢?因为'-'是特殊字符,在正则表达式中,要用'\'转义,因此,上面的正则是\d{3}\-\d{3,8}

可是,仍然没法匹配'010 - 12345',由于带有空格。因此咱们须要更复杂的匹配方式。

进阶操做

要作更精确地匹配,能够用[]表示范围,好比:

[0-9a-zA-Z\_]能够匹配一个数字、字母或者下划线;

[0-9a-zA-Z\_]+能够匹配至少由一个数字、字母或者下划线组成的字符串,好比'a100''0_Z''Py3000'等等;

[a-zA-Z\_][0-9a-zA-Z\_]*能够匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量;

[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)。

A|B能够匹配A或B,因此(P|p)ython能够匹配'Python'或者'python'

^表示行的开头,^\d表示必须以数字开头。

$表示行的结束,\d$表示必须以数字结束。

你可能注意到了,py也能够匹配'python',可是加上^py$就变成了整行匹配,就只能匹配'py'了。

re模块

有了准备知识,咱们就能够在Python中使用正则表达式了。Python提供re模块,包含全部正则表达式的功能。因为Python的字符串自己也用\转义,因此要特别注意:

s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成:
# 'ABC\-001'

所以咱们强烈建议使用Python的r前缀,就不用考虑转义的问题了:

s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变:
# 'ABC\-001'

下面看看咱们如何使用re模块来进行匹配:

>>> import re
>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>       #匹配成功
>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
>>>                                      #匹配失败

match()方法判断是否匹配,若是匹配成功,返回一个Match对象,不然返回None。常见的判断方法就是:

test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

re.findall()

re.findall()在字符串中找到正则表达式所匹配的全部子串,并返回一个列表;若是没有找到匹配的,则返回空列表。

返回结果是列表类型,须要遍历一下才能依次获取每组内容。

findall(patern, string, flags=0)
  • pattern : 正则中的模式字符串。
  • string : 要被查找替换的原始字符串。
  • flags : 标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等。
import re
 
 
content = 'Hello 123456789 Word_This is just a test 666 Test'
results = re.findall('\d+', content)    
 
print(results)
for result in results:
    print(result)

结果:

['123456789', '666']
123456789
666

切分字符串

咱们还可使用正则表达式来切分字符串

用正则表达式切分字符串比用固定的字符更灵活,请看正常的切分代码:

>>> 'a b   c'.split(' ')
['a', 'b', '', '', 'c']

发现这样写没法识别连续的空格,用正则表达式试试:

>>> re.split(r'\s+', 'a b   c')
['a', 'b', 'c']

不管多少个空格均可以正常分割。咱们能够加入,试试:

>>> re.split(r'[\s\,]+', 'a,b, c  d')
['a', 'b', 'c', 'd']

再加入;照样能够分割

>>> re.split(r'[\s\,\;]+', 'a,b;; c  d')
['a', 'b', 'c', 'd']

分组

除了简单地判断是否匹配以外,正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组(Group)。好比:

^(\d{3})-(\d{3,8})$分别定义了两个组,能够直接从匹配的字符串中提取出区号和本地号码:

>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

若是正则表达式中定义了组,就能够在Match对象上用group()方法提取出子串来。

注意到group(0)永远是原始字符串,group(1)group(2)……表示第一、二、……个子串。

例如咱们可使用分组来判别时间字符串是否合法:

>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')

(?P<name>group) 的使用

例如(?P<value>\d+)的意思就是命名一个名字为value的组,匹配规则符合后面的/d+

这个正则方法常常用于函数参数的传递,例如网页的http://127.0.0.1:8000/blog/article/1 的匹配传递页面编号到服务器后端,而后由后端根据传入数据返回响应网页界面

贪婪匹配

须要特别指出的是,正则匹配默认是贪婪匹配,也就是匹配尽量多的字符。举例以下,匹配出数字后面的0

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')

因为\d+采用贪婪匹配,直接把后面的0所有匹配了,结果0*只能匹配空字符串了。

必须让\d+采用非贪婪匹配(也就是尽量少匹配),才能把后面的0匹配出来,加个?就可让\d+采用非贪婪匹配:

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

正则的编辑

当咱们在Python中使用正则表达式时,re模块内部会干两件事情:

  1. 编译正则表达式,若是正则表达式的字符串自己不合法,会报错;

  2. 用编译后的正则表达式去匹配字符串。

若是一个正则表达式要重复使用几千次,出于效率的考虑,咱们能够预编译该正则表达式,接下来重复使用时就不须要编译这个步骤了,直接匹配:

>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用:
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')

编译后生成Regular Expression对象,因为该对象本身包含了正则表达式,因此调用对应的方法时不用给出正则字符串。

相关文章
相关标签/搜索