python中的正则表达式（re模块）
1、简介
正则表达式自己是一种小型的、高度专业化的编程语言，而在python中，经过内嵌集成re模块，程序媛们能够直接调用来实现正则匹配。正则表达式模式被编译成一系列的字节码，而后由用C编写的匹配引擎执行。python
2、正则表达式中经常使用的字符含义
一、普通字符和11个元字符：正则表达式
| 普通字符 |
匹配自身
|
abc
|
abc
|
|
.
|
匹配任意除换行符"\n"外的字符(在DOTALL模式中也能匹配换行符 |
a.c
|
abc
|
|
\
|
转义字符，使后一个字符改变原来的意思
|
a\.c;a\\c
|
a.c;a\c
|
|
*
|
匹配前一个字符0或屡次
|
abc*
|
ab;abccc
|
|
+
|
匹配前一个字符1次或无限次
|
abc+
|
abc;abccc
|
|
?
|
匹配一个字符0次或1次
|
abc?
|
ab;abc
|
|
^
|
匹配字符串开头。在多行模式中匹配每一行的开头 | ^abc |
abc
|
|
$
|
匹配字符串末尾，在多行模式中匹配每一行的末尾 | abc$ |
abc
|
| | | 或。匹配|左右表达式任意一个，从左到右匹配，若是|没有包括在()中，则它的范围是整个正则表达式 |
abc|def
|
abc
def
|
| {} | {m}匹配前一个字符m次，{m,n}匹配前一个字符m至n次，若省略n，则匹配m至无限次 |
ab{1,2}c
|
abc
abbc
|
|
[]
|
字符集。对应的位置能够是字符集中任意字符。字符集中的字符能够逐个列出，也能够给出范围，如[abc]或[a-c]。[^abc]表示取反，即非abc。 全部特殊字符在字符集中都失去其原有的特殊含义。用\反斜杠转义恢复特殊字符的特殊含义。 |
a[bcd]e
|
abe
ace
ade
|
|
()
|
被括起来的表达式将做为分组，从表达式左边开始没遇到一个分组的左括号“（”，编号+1. 分组表达式做为一个总体，能够后接数量词。表达式中的|仅在该组中有效。 |
(abc){2} a(123|456)c |
abcabc
a456c
|
这里须要强调一下反斜杠\的做用：编程
- 反斜杠后边跟元字符去除特殊功能；（即将特殊字符转义成普通字符）
- 反斜杠后边跟普通字符实现特殊功能；（即预约义字符）
- 引用序号对应的字组所匹配的字符串。
a=re.search(r'(tina)(fei)haha\2','tinafeihahafei tinafeihahatina').group() print(a) 结果： tinafeihahafei
二、预约义字符集（能够写在字符集[...]中） 编程语言
|
\d
|
数字:[0-9] |
a\bc
|
a1c
|
|
\D
|
非数字:[^\d] |
a\Dc
|
abc
|
|
\s
|
匹配任何空白字符:[<空格>\t\r\n\f\v] |
a\sc
|
a c
|
| \S | 非空白字符:[^\s] |
a\Sc
|
abc
|
|
\w
|
匹配包括下划线在内的任何字字符:[A-Za-z0-9_] |
a\wc
|
abc
|
|
\W
|
匹配非字母字符，即匹配特殊字符 |
a\Wc
|
a c
|
|
\A
|
仅匹配字符串开头,同^ | \Aabc |
abc
|
|
\Z
|
仅匹配字符串结尾，同$ |
abc\Z
|
abc
|
|
\b
|
匹配\w和\W之间，即匹配单词边界匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 能够匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。 | \babc\b a\b!bc |
空格abc空格 a!bc |
|
\B
|
[^\b] |
a\Bbc
|
abc
|
这里须要强调一下\b的单词边界的理解：
w = re.findall('\btina','tian tinaaaa') print(w) s = re.findall(r'\btina','tian tinaaaa') print(s) v = re.findall(r'\btina','tian#tinaaaa') print(v) a = re.findall(r'\btina\b','tian#tina@aaa') print(a) 执行结果以下： [] ['tina'] ['tina'] ['tina']
三、特殊分组用法：函数
|
(?P<name>)
|
分组，除了原有的编号外再指定一个额外的别名 | (?P<id>abc){2} |
abcabc
|
|
(?P=name)
|
引用别名为<name>的分组匹配到字符串 | (?P<id>\d)abc(?P=id) |
1abc1
5abc5
|
|
\<number>
|
引用编号为<number>的分组匹配到字符串 | (\d)abc\1 |
1abc1
5abc5
|
3、re模块中经常使用功能函数
一、compile()spa
编译正则表达式模式，返回一个对象的模式。（能够把那些经常使用的正则表达式编译成正则表达式对象，这样能够提升一点效率。）code
格式：对象
re.compile(pattern,flags=0)blog
pattern: 编译时用的表达式字符串。three
flags 编译标志位，用于修改正则表达式的匹配方式，如：是否区分大小写，多行匹配等。经常使用的flags有：
| 标志 |
含义
|
|
re.S(DOTALL)
|
使.匹配包括换行在内的全部字符 |
|
re.I（IGNORECASE）
|
使匹配对大小写不敏感
|
|
re.L（LOCALE）
|
作本地化识别（locale-aware)匹配，法语等
|
|
re.M(MULTILINE)
|
多行匹配，影响^和$
|
|
re.X(VERBOSE)
|
该标志经过给予更灵活的格式以便将正则表达式写得更易于理解
|
|
re.U
|
根据Unicode字符集解析字符，这个标志影响\w,\W,\b,\B
|
import re tt = "Tina is a good girl, she is cool, clever, and so on..." rr = re.compile(r'\w*oo\w*') print(rr.findall(tt)) #查找全部包含'oo'的单词 执行结果以下： ['good', 'cool']
二、match()
决定RE是否在字符串刚开始的位置匹配。//注：这个方法并非彻底匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要彻底匹配，能够在表达式末尾加上边界匹配符'$'
格式：
re.match(pattern, string, flags=0)
print(re.match('com','comwww.runcomoob').group()) print(re.match('com','Comwww.runcomoob',re.I).group()) 执行结果以下： com com
三、search()
格式：
re.search(pattern, string, flags=0)
re.search函数会在字符串内查找模式匹配,只要找到第一个匹配而后返回，若是字符串没有匹配，则返回None。
print(re.search('\dcom','www.4comrunoob.5com').group()) 执行结果以下： 4com
*注：match和search一旦匹配成功，就是一个match object对象，而match object对象有如下方法：
- group() 返回被 RE 匹配的字符串
- start() 返回匹配开始的位置
- end() 返回匹配结束的位置
- span() 返回一个元组包含匹配 (开始,结束) 的位置
- group() 返回re总体匹配的字符串，能够一次输入多个组号，对应组号匹配的字符串。
a. group（）返回re总体匹配的字符串，
b. group (n,m) 返回组号为n，m所匹配的字符串，若是组号不存在，则返回indexError异常
c.groups（）groups() 方法返回一个包含正则表达式中全部小组字符串的元组，从 1 到所含的小组号，一般groups()不须要参数，返回一个元组，元组中的元就是正则表达式中定义的组。
import re a = "123abc456" print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0)) #123abc456,返回总体 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1)) #123 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2)) #abc print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3)) #456
###group(1) 列出第一个括号匹配部分，group(2) 列出第二个括号匹配部分，group(3) 列出第三个括号匹配部分。###
四、findall()
re.findall遍历匹配，能够获取字符串中全部匹配的字符串，返回一个列表。
格式：
re.findall(pattern, string, flags=0)
p = re.compile(r'\d+') print(p.findall('o1n2m3k4')) 执行结果以下： ['1', '2', '3', '4']
import re tt = "Tina is a good girl, she is cool, clever, and so on..." rr = re.compile(r'\w*oo\w*') print(rr.findall(tt)) print(re.findall(r'(\w)*oo(\w)',tt))#()表示子表达式 执行结果以下： ['good', 'cool'] [('g', 'd'), ('c', 'l')]
五、finditer()
搜索string，返回一个顺序访问每个匹配结果（Match对象）的迭代器。找到 RE 匹配的全部子串，并把它们做为一个迭代器返回。
格式：
re.finditer(pattern, string, flags=0)
iter = re.finditer(r'\d+','12 drumm44ers drumming, 11 ... 10 ...') for i in iter: print(i) print(i.group()) print(i.span()) 执行结果以下： <_sre.SRE_Match object; span=(0, 2), match='12'> 12 (0, 2) <_sre.SRE_Match object; span=(8, 10), match='44'> 44 (8, 10) <_sre.SRE_Match object; span=(24, 26), match='11'> 11 (24, 26) <_sre.SRE_Match object; span=(31, 33), match='10'> 10 (31, 33)
六、split()
按照可以匹配的子串将string分割后返回列表。
可使用re.split来分割字符串，如：re.split(r'\s+', text)；将字符串按空格分割成一个单词列表。
格式：
re.split(pattern, string[, maxsplit])
maxsplit用于指定最大分割次数，不指定将所有分割。
print(re.split('\d+','one1two2three3four4five5')) 执行结果以下： ['one', 'two', 'three', 'four', 'five', '']
七、sub()
使用re替换string中每个匹配的子串后返回替换后的字符串。
格式：
re.sub(pattern, repl, string, count)
import re text = "JGood is a handsome boy, he is cool, clever, and so on..." print(re.sub(r'\s+', '-', text)) 执行结果以下： JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...
其中第二个函数是替换后的字符串；本例中为'-'
第四个参数指替换个数。默认为0，表示每一个匹配项都替换。
re.sub还容许使用函数对匹配项的替换进行复杂的处理。
如：re.sub(r'\s', lambda m: '[' + m.group(0) + ']', text, 0)；将字符串中的空格' '替换为'[ ]'。
import re text = "JGood is a handsome boy, he is cool, clever, and so on..." print(re.sub(r'\s+', lambda m:'['+m.group(0)+']', text,0)) 执行结果以下： JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...
八、subn()
返回替换次数
格式：
subn(pattern, repl, string, count=0, flags=0)
print(re.subn('[1-2]','A','123456abcdef')) print(re.sub("g.t","have",'I get A, I got B ,I gut C')) print(re.subn("g.t","have",'I get A, I got B ,I gut C')) 执行结果以下： ('AA3456abcdef', 2) I have A, I have B ,I have C ('I have A, I have B ,I have C', 3)
4、一些注意点
一、re.match与re.search与re.findall的区别：
re.match只匹配字符串的开始，若是字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。
a=re.search('[\d]',"abc33").group() print(a) p=re.match('[\d]',"abc33") print(p) b=re.findall('[\d]',"abc33") print(b) 执行结果： 3 None ['3', '3']
二、贪婪匹配与非贪婪匹配
*?,+?,??,{m,n}? 前面的*,+,?等都是贪婪匹配，也就是尽量匹配，后面加?号使其变成惰性匹配
a = re.findall(r"a(\d+?)",'a23b') print(a) b = re.findall(r"a(\d+)",'a23b') print(b) 执行结果： ['2'] ['23']
a = re.match('<(.*)>','<H1>title<H1>').group() print(a) b = re.match('<(.*?)>','<H1>title<H1>').group() print(b) 执行结果： <H1>title<H1> <H1>
a = re.findall(r"a(\d+)b",'a3333b') print(a) b = re.findall(r"a(\d+?)b",'a3333b') print(b) 执行结果以下： ['3333'] ['3333'] ####################### 这里须要注意的是若是先后均有限定条件的时候，就不存在什么贪婪模式了，非匹配模式失效。
三、用flags时遇到的小坑
print(re.split('a','1A1a2A3',re.I))#输出结果并未能区分大小写 这是由于re.split(pattern，string，maxsplit,flags)默认是四个参数，当咱们传入的三个参数的时候，系统会默认re.I是第三个参数，因此就没起做用。若是想让这里的re.I起做用，写成flags=re.I便可。
5、正则的小实践
一、匹配电话号码
p = re.compile(r'\d{3}-\d{6}') print(p.findall('010-628888'))
二、匹配IP
re.search(r"(([01]?\d?\d|2[0-4]\d|25[0-5])\.){3}([01]?\d?\d|2[0-4]\d|25[0-5]\.)","192.168.1.1")