Jeffrey的博客 Jeffrey的博客

左脑编程,右脑写诗

目录
从Python的re模块入手迷人的正则表达式
/    

从Python的re模块入手迷人的正则表达式

最近经常用到正则表达式,正则表达式在任何开发语言中都存在,规则也就那一套,可就是记不住(大实话),所以今天花了点时间,整理了一下正则表达式的规则,以及Python的re模块实用正则的一些常用方法。

正则表达式语法

正则表达式(regular expression)描述了一种字符串匹配的模式,可以用来检查一个串是否含有某种子串、将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。下方字符表摘自W3Cschool

非打印字符

字符描述
\cx匹配由x指明的控制字符。例如, \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的 'c' 字符。
\f匹配一个换页符。等价于 \x0c 和 \cL。
\n匹配一个换行符。等价于 \x0a 和 \cJ。
\r匹配一个回车符。等价于 \x0d 和 \cM。
\s匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t匹配一个制表符。等价于 \x09 和 \cI。
\v匹配一个垂直制表符。等价于 \x0b 和 \cK。

特殊字符

字符描述
$匹配输入字符串的结尾位置。如果设置了 RegExp 对象的 Multiline 属性,则 $ 也匹配 '\n' 或 '\r'。要匹配 $ 字符本身,请使用 $。
( )标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符,请使用 ( 和 )。
*匹配前面的子表达式零次或多次。要匹配 * 字符,请使用 *。
+匹配前面的子表达式一次或多次。要匹配 + 字符,请使用 +。
.匹配除换行符 \n之外的任何单字符。要匹配 .,请使用 \。
[标记一个中括号表达式的开始。要匹配 [,请使用 [。
?匹配前面的子表达式零次或一次,或指明一个非贪婪限定符。要匹配 ? 字符,请使用 ?。
\将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如, 'n' 匹配字符 'n'。'\n' 匹配换行符。序列 '\' 匹配 "",而 '(' 则匹配 "("。
^匹配输入字符串的开始位置,除非在方括号表达式中使用,此时它表示不接受该字符集合。要匹配 ^ 字符本身,请使用 ^。
{标记限定符表达式的开始。要匹配 {,请使用 {。
|指明两项之间的一个选择。要匹配 |,请使用 \|。

限定符

字符描述
*匹配前面的子表达式零次或多次。例如,zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。
+匹配前面的子表达式一次或多次。例如,'zo+' 能匹配 "zo" 以及 "zoo",但不能匹配 "z"。+ 等价于 {1,}。
?匹配前面的子表达式零次或一次。例如,"do(es)?" 可以匹配 "do" 、 "does" 中的 "does" 、 "doxy" 中的 "do" 。? 等价于 {0,1}。
{n}n 是一个非负整数。匹配确定的 n 次。例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的两个 o。
{n,}n 是一个非负整数。至少匹配n 次。例如,'o{2,}' 不能匹配 "Bob" 中的 'o',但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。例如,"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。

定位符

字符描述
^匹配输入字符串开始的位置。如果设置了 RegExp 对象的 Multiline 属性,^ 还会与 \n 或 \r 之后的位置匹配。
$匹配输入字符串结尾的位置。如果设置了 RegExp 对象的 Multiline 属性,$ 还会与 \n 或 \r 之前的位置匹配。
\b匹配一个字边界,即字与空格间的位置。
\B非字边界匹配。

注意:不能将限定符与定位点一起使用。由于在紧靠换行或者字边界的前面或后面不能有一个以上位置,因此不允许诸如 ^* 之类的表达式。

正则表达式运算优先级

正则表达式从左到右进行计算,并遵循优先级顺序,这与算术表达式非常类似。
相同优先级的从左到右进行运算,不同优先级的运算先高后低。下表从最高到最低说明了各种正则表达式运算符的优先级顺序:

运算符描述
\转义符
(), (?:), (?=), []圆括号和方括号
*, +, ?, {n}, {n,}, {n,m}限定符
^, $, \任何元字符、任何字符定位点和序列(即:位置和顺序)
|替换,"或"操作
字符具有高于替换运算符的优先级,使得"mfood"匹配"m"或"food"。若要匹配"mood"或"food",请使用括号创建子表达式,从而产生"(m|f)ood"。

正则表达式匹配规则

只匹配那些以once开头的字符串

^once

只匹配那些以bucket结尾的字符串

bucket$

精确匹配bucket

^bucket$

只能表示一个字符。用连字号可以表示一个字符的范围

[a-z] 		// 匹配所有的小写字母 
[A-Z] 		// 匹配所有的大写字母 
[a-zA-Z] 	// 匹配所有的字母 
[0-9] 		// 匹配所有的数字 
[0-9\.\-] 	// 匹配所有的数字,句号和减号 
[\f\r\t\n]   	// 匹配所有的白字符

排除一部分字符后得到匹配的范围

[^a-z] 		//除了小写字母以外的所有字符 
[^\\\/\^] 	//除了(\)(/)(^)之外的所有字符

Python re模块方法

re模块也提供了与这些方法功能完全一致的函数,这些函数使用一个模式字符串做为它们的第一个参数。一下示例代码摘自RUNOOB.COM

re.match方法

尝试从字符串的起始位置匹配一个模式,如果不是起始位置匹配成功的话,返回None。

re.match(pattern, string, flags=0)
参数描述
pattern匹配的正则表达式
string要匹配的字符串。
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

可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

匹配对象方法描述
group(num=0)匹配的整个表达式的字符串,group() 可以一次输入多个组号,在这种情况下它将返回一个包含那些组所对应值的元组。
groups()返回一个包含所有小组字符串的元组,从 1 到 所含的小组号。
#!/usr/bin/python  
# -*- coding: UTF-8 -*-  
  
import re  
print(re.match('www', 'www.runoob.com').span())  # 在起始位置匹配  输出: (0, 3)
print(re.match('com', 'www.runoob.com'))         # 不在起始位置匹配 输出: None
#!/usr/bin/python  
import re  
  
line = "Cats are smarter than dogs"  
  
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)  
  
if matchObj:  
   print "matchObj.group() : ", matchObj.group()  
   print "matchObj.group(1) : ", matchObj.group(1)  
   print "matchObj.group(2) : ", matchObj.group(2)  
else:  
   print "No match!!"

输出结果:

matchObj.group() :   Cats are smarter than dogs
matchObj.group(1) :  Cats
matchObj.group(2) :  smarter

re.search方法

re.search 扫描整个字符串并返回第一个成功的匹配,否则返回None,我们同样可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

re.search(pattern, string, flags=0)
参数描述
pattern匹配的正则表达式
string要匹配的字符串。
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。
#!/usr/bin/python  
# -*- coding: UTF-8 -*-  
  
import re  
print(re.search('www', 'www.runoob.com').span())  # 在起始位置匹配  输出: (0, 3)
print(re.search('com', 'www.runoob.com').span())         # 不在起始位置匹配 输出:  (11, 14)
#!/usr/bin/python  
import re  
  
line = "Cats are smarter than dogs";  
  
searchObj = re.search( r'(.*) are (.*?) .*', line, re.M|re.I)  
  
if searchObj:  
   print "searchObj.group() : ", searchObj.group()  
   print "searchObj.group(1) : ", searchObj.group(1)  
   print "searchObj.group(2) : ", searchObj.group(2)  
else:  
   print "Nothing found!!"

输出结果:

searchObj.group() :   Cats are smarter than dogs
searchObj.group(1) :  Cats
searchObj.group(2) :  smarter

re.sub方法

Python 的 re 模块提供了re.sub用于替换字符串中的匹配项。

re.sub(pattern, repl, string, count=0, flags=0)

参数:

  • pattern : 正则中的模式字符串。
  • repl : 替换的字符串,也可为一个函数。
  • string : 要被查找替换的原始字符串。
  • count : 模式匹配后替换的最大次数,默认 0 表示替换所有的匹配。
#!/usr/bin/python  
# -*- coding: UTF-8 -*-  
  
import re  
  
phone = "2004-959-559 # 这是一个国外电话号码"  
  
# 删除字符串中的 Python注释  
num = re.sub(r'#.*$', "", phone)  
print "电话号码是: ", num  	# 电话号码是:  2004-959-559

# 删除非数字(-)的字符串  
num = re.sub(r'\D', "", phone)  
print "电话号码是 : ", num	# 电话号码是:  2004959559

re.compile方法

compile 函数用于编译正则表达式,生成一个正则表达式( Pattern )对象,供 match() 和 search() 这两个函数使用。

re.compile(pattern[, flags])

参数:

  • pattern : 一个字符串形式的正则表达式
  • flags : 可选,表示匹配模式,比如忽略大小写,多行模式等,具体参数为:
    1. re.I 忽略大小写
    2. re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
    3. re.M 多行模式
    4. re.S 即为 . 并且包括换行符在内的任意字符(. 不包括换行符)
    5. re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
    6. re.X 为了增加可读性,忽略空格和 # 后面的注释
>>> import re  
>>> pattern = re.compile(r'\d+')                    # 用于匹配至少一个数字  
>>> m = pattern.match('one12twothree34four')        # 查找头部,没有匹配  
>>> print m  
None  
>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配,没有匹配  
>>> print m  
None  
>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配,正好匹配  
>>> print m                                         # 返回一个 Match 对象  
<_sre.SRE_Match object at 0x10a42aac0>  
>>> m.group(0)   # 可省略 0  
'12'  
>>> m.start(0)   # 可省略 0  
3  
>>> m.end(0)     # 可省略 0  
5  
>>> m.span(0)    # 可省略 0  
(3, 5)

findall方法

在字符串中找到正则表达式所匹配的所有子串,并返回一个列表,如果没有找到匹配的,则返回空列表。

findall(string[, pos[, endpos]])

参数:

  • string : 待匹配的字符串。
  • pos : 可选参数,指定字符串的起始位置,默认为 0。
  • endpos : 可选参数,指定字符串的结束位置,默认为字符串的长度。
# -*- coding:UTF8 -*-  
  
import re  
  
pattern = re.compile(r'\d+')   # 查找数字  
result1 = pattern.findall('runoob 123 google 456')  
result2 = pattern.findall('run88oob123google456', 0, 10)  
   
print(result1)  
print(result2)

输出结果:

['123', '456']
['88', '12']

标题:从Python的re模块入手迷人的正则表达式
作者:Jeffrey