正则表达式(RegularExpression,re)
- 匹配符合某个规则的字符串
- 常用于检索，替换某些模式的文本
正则的写法
- \d：任意一个数字，等价于 [0-9]
- \D：匹配任意非数字
- \s：匹配任意空白字符，等价于 [\t\n\r\f]
- \S：匹配任意非空字符
- \w：字母、数字、下划线，a-z，A-Z，0-9，_
- \W：除了字母、数字、下划线，a-z，A-Z，0-9，_
- \A：匹配字符串开始
- \z：匹配字符串结束
- \Z：匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符
- ^：匹配字符串的开始
- $：匹配字符串的结尾
- .(点号)：表示任意一个字符，除了\n，比如查找所有的一个字符 \.
- [...]：匹配中括号中列举的任意字符，[amk] 匹配 'a'，'m'或'k'
- [^...]：不在[ ]中的字符，[^abc] 匹配除了a,b,c之外的字符
- *：表示前面的内容重复零次或多次
- +：前面的内容至少出现一次
- ？：前面的内容出现一次或零次
- {m,n}：前面的内容出现最最少m次，最多n次
- a| b：匹配a或b
- (re)：对正则表达式分组并记住匹配的文本
示例：
- 验证一个数字：^\d$
- 至少一个数字：^\d+$
- 5-10位数字：^\d{5-10}$
- 16以上，99以下：^[16-99]$
- 英文字符和数字：^[A-Za-z0-9]$
使用步骤：
- 使用compile将表示正则的字符串编译为一个pattern对象
- 通过pattern对象提供的一系列方法对文本进行查找匹配，该对象拥有一系列方法用于正则表达式匹配和替换，获得匹配结果，一个Match对象
- 最后使用Match对象提供的属性和方法获得信息，根据需要进行操作
贪婪和非贪婪
- 贪婪：尽可能多的匹配，(*)表示贪婪匹配
- 非贪婪：找到符合条件的最小内容即可，(?)表示非贪婪
re.match函数
re.match 尝试从字符串的起始位置匹配一个模式，匹配成功re.match方法返回一个匹配的对象，否则返回None。如果不是起始位置匹配成功的话，match()返回none。
函数语法：
re.match(pattern,string,flags=0)
函数参数说明：
| 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。 |
正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：
| 修饰符 | 描述 |
|---|---|
| re.I | 使匹配对大小写不敏感 |
| re.M | 多行匹配，影响 ^ 和 $ |
| re.S | 使 . 匹配包括换行在内的所有字符 |
| re.U | 根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B. |
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。 |
代码示例：
# 导入相关包
import re
print(re.match('www', 'www.runoob.com')) # 在起始位置匹配
print(re.match('www', 'www.runoob.com').span())
print(re.match('com', 'www.runoob.com')) # 不在起始位置匹配
line = "Cats are smarter than dogs"
# r表示字符串不转义
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)
if matchObj:
print('matchObj.group():',matchObj.group())
print('matchObj.group():',matchObj.groups())
print('matchObj.group(1):',matchObj.group(1))
print('matchObj.group(2):',matchObj.group(2))
else:
print('No match!!')
运行结果为：
<re.Match object; span=(0, 3), match='www'>
(0, 3)
None
matchObj.group(): Cats are smarter than dogs
matchObj.group(): ('Cats', 'smarter')
matchObj.group(1): Cats
matchObj.group(2): smarter
re.search函数
re.search 扫描整个字符串并返回第一个成功的匹配。
函数语法：
re.search(pattern, string, flags=0)
代码示例：
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!!")
运行结果为：
searchObj.group() : Cats are smarter than dogs
searchObj.group(1) : Cats
searchObj.group(2) : smarter
re.match与re.search的区别
re.match只匹配字符串的开始，如果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。
代码示例：
import re
line = "Cats are smarter than dogs";
matchObj = re.match( r'dogs', line, re.M|re.I)
if matchObj:
print('match --> matchObj.group() :' , matchObj.group())
else:
print("No match!!")
matchObj = re.search( r'dogs', line, re.M|re.I)
if matchObj:
print("search --> searchObj.group() : ", matchObj.group())
else:
print("No match!!")
运行结果为：
No match!!
search --> searchObj.group() : dogs
检索和替换
Python 的 re 模块提供了re.sub用于替换字符串中的匹配项。
函数语法
re.sub(pattern, repl, string, count=0, flags=0)
函数参数说明：
| 参数 | 描述 |
|---|---|
| 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 |
代码示例
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)
# 删除非数字(-)的字符串
num = re.sub(r'\D', "", phone)
print("电话号码是 : ", num)
运行结果为：
电话号码是: 2004-959-559
电话号码是 : 2004959559
repl 参数是一个函数
import re
# 将匹配的数字乘以 2
def double(matched):
value = int(matched.group('value'))
return str(value * 2)
s = 'A23G4HFD567'
print(re.sub('(?P<value>\d+)', double, s))
运行结果为：
A46G8HFD1134
re.compile函数
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。
语法格式
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：
- re.I 忽略大小写
- re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
- re.M 多行模式
- re.S 即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
- 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
- re.X 为了增加可读性，忽略空格和 # 后面的注释
代码示例：
>>>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)
在上面，当匹配成功时返回一个 Match 对象，其中：
- group([group1, …]) ，方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
- start([group]) ，方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
- end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0
- span([group]) ，方法返回 (start(group), end(group))
代码示例
>>>import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写
>>> m = pattern.match('Hello World Wide Web')
>>> print m # 匹配成功，返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整个子串
'Hello World'
>>> m.span(0) # 返回匹配成功的整个子串的索引
(0, 11)
>>> m.group(1) # 返回第一个分组匹配成功的子串
'Hello'
>>> m.span(1) # 返回第一个分组匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二个分组匹配成功的子串
'World'
>>> m.span(2) # 返回第二个分组匹配成功的子串
(6, 11)
>>> m.groups() # 等价于 (m.group(1), m.group(2), ...)
('Hello', 'World')
>>> m.group(3) # 不存在第三个分组
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: no such group
findall
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。
注意： match 和 search 是匹配一次，findall 匹配所有
语法格式
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。
代码示例：
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']
re.finditer
和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。
语法格式：
re.finditer(pattern, string, flags=0)
代码示例：
import re
it = re.finditer(r"\d+","12a32bc43jf3")
for match in it:
print (match.group() )
输出结果：
12
32
43
3
re.split函数
split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：
语法格式：
re.split(pattern, string[, maxsplit=0, flags=0])
参数：
| 参数 | 描述 |
|---|---|
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串。 |
| maxsplit | 分隔次数，maxsplit=1 分隔一次，默认为 0，不限制次数。 |
| 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。 |
代码示例：
>>>import re
>>> re.split('\W+', 'runoob, runoob, runoob.')
['runoob', 'runoob', 'runoob', '']
>>> re.split('(\W+)', ' runoob, runoob, runoob.')
['', ' ', 'runoob', ', ', 'runoob', ', ', 'runoob', '.', '']
>>> re.split('\W+', ' runoob, runoob, runoob.', 1)
['', 'runoob, runoob, runoob.']
>>> re.split('a*', 'hello world') # 对于一个找不到匹配的字符串而言，split 不会对其作出分割
['hello world']
