【Python】正則表達式簡單教程

 

說明：本文主要是根據廖雪峯網站的正則表達式教程學習，並根據須要作了少量修改，此處記錄下來以備後續查看。

《Python正則表達式純代碼極簡教程》連接：http://www.javashuo.com/article/p-bqbkfjql-d.html

0x01 正則表達式概念及符號含義

掌握正則表達式，只須要記住不一樣符號所表示的含義，以及對目標對象模式（或規律）的正確歸納。

一、基礎內容

字符匹配

• 在正則表達式中，若是直接給出字符，就是精確匹配。
• \d 匹配一個數字
• \D 匹配一個非數字
• \w 匹配一個字母、數字或下劃線_
• \W 匹配任何非單詞字符,等價於「[^A-Za-z0-9_]"
• \s 匹配任何空白字符，包括空格、製表符、換頁符等等,等價於[ \f\n\r\t\v]
• \S 匹配任何非空白字符
• \n 匹配一個換行符
• \r 匹配一個回車符
• \t 匹配一個製表符

數量匹配

• .匹配除「\n"以外的任何單個字符
• *匹配前面的子表達式零次或屢次
• +匹配前面的子表達式一次或屢次
• ?匹配前面的子表達式零次或一次
• {n}，n是一個非負整數，匹配肯定的n次
• {n,m}，m和n均爲非負整數，其中n<=m，最少匹配n次且最多匹配m次
• {n,}，n是一個非負整數，至少匹配n次
• {,m} 匹配前面的正則表達式最多m次

範圍匹配

• x|y 匹配x或y
• [xyz] 字符集合,匹配所包含的任意一個字符
• [^xyz] 負值字符集合,匹配未包含的任意字符
• [a-z] 字符範圍,匹配指定範圍內的任意字符
• [^a-z] 負值字符範圍,匹配任何不在指定範圍內的任意字符

 

來看一個稍微複雜的例子：\d{3,4}\s+\d{3,8}
咱們來從左到右解讀一下：

1. \d{3,4}表示匹配3到4個數字，例如'010'、'0755'；
2. \s能夠匹配一個空格（也包括Tab等空白符），因此\s+表示至少有一個空格，例如匹配' '，' '等；
3. \d{3,8}表示3-8個數字，例如'1234567'。

綜合起來，上面的正則表達式能夠匹配以任意個空格隔開的帶區號的電話號碼。

若是要匹配'010-12345'、'0755-26776666'這樣的號碼呢？
因爲'-'是特殊字符，在正則表達式中，要用'\'轉義，因此，上面的正則是\d{3,4}\-\d{3,8}。

可是，仍然沒法匹配'010 - 12345'，由於帶有空格。因此咱們須要更復雜的匹配方式。

二、進階內容

要作更精確地匹配，能夠用[]表示範圍，好比：

• [0-9a-zA-Z\_]能夠匹配一個數字、字母或者下劃線；
• [0-9a-zA-Z\_]+能夠匹配至少由一個數字、字母或者下劃線組成的字符串，好比'a100'，'0_Z'，'Py3000'等等；
• [a-zA-Z\_][0-9a-zA-Z\_]*能夠匹配由字母或下劃線開頭，後接任意個由一個數字、字母或者下劃線組成的字符串，也就是Python合法的變量；
• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精確地限制了變量的長度是1-20個字符（前面1個字符+後面最多19個字符）。
• A|B能夠匹配A或B，因此(P|p)ython能夠匹配'Python'或者'python'。
• ^表示行的開頭，^\d表示必須以數字開頭。
• $表示行的結束，\d$表示必須以數字結束。

你可能注意到了，py也能夠匹配'python'，可是加上^py$就變成了只能匹配以'py'開頭的字符串，
因此，若是某個字符串爲'I love python'，那麼就沒法匹配到，由於它不是以py開頭。

三、正則表達式使用場景

• 判斷某個字符串是否匹配特定的模式
• 切分字符串
• 提取特定模式的字符串
• 將指定模式的字符串進行替換

0x02 Python中正則表達式模塊re

一、判斷某個字符串是否匹配特定的模式

前面區號+電話號碼的例子

# 導入re模塊
import re

# 匹配
result = re.match(r'\d{3,4}\-\d{3,8}$','020-12345')
print(result)

# 不匹配
result2 = re.match(r'\d{3,4}\-\d{3,8}$','020 12345')
print(result2)

# match()方法判斷是否匹配，若是匹配成功，返回一個Match對象，不然返回None。
# 常見的判斷方法就是：

# 帶判斷的字符串
test = '020-12345'
if re.match(r'\d{3,4}\-\d{3,8}$', test):
    print('match')
else:
    print('not match')

小練習：判斷給定的郵箱地址是不是NETEC郵箱

• 假設NETEC公司的郵箱格式爲姓+.+名字+數字+@netec.com.cn。
• 其中數字不是必須的，只有相同名字的員工有多個時，纔會存在數字
• 而且姓名拼音或英文都會使用小寫字母，而不會使用大寫字母

email = 'lee.jack3@netec.com.cn'

pattern = r'^[a-z]{1,}\.[a-z]+\d*@netec.com.cn$'

if re.match(pattern,email):
　　print('是NETEC郵箱')
else:
　　print('不是NETEC郵箱')

二、切分字符串

用正則表達式切分字符串比用固定的字符更靈活，請看正常的切分代碼：

result3 = 'a b c'.split(' ')
print(result3)

沒法識別連續的空格，用正則表達式試試:

result4 = re.split(r'\s+', 'a b c')
print(result4)

不管多少個空格均可以正常分割。加入","試試：

result5 = re.split(r'[\s\,]+', 'a,b,, c d')
print(result5)

再加入";"試試：

result6 = re.split(r'[\s\,\;]+', 'a,b;; c d')
print(result6)

三、提取特定模式的字符串

除了簡單地判斷是否匹配以外，正則表達式還有提取子串的強大功能。
用()表示的就是要提取的分組（Group）。好比：^(\d{3,4})-(\d{3,8})$
分別定義了兩個組，能夠直接從匹配的字符串中提取出區號和本地號碼：

m = re.match(r'^(\d{3,4})-(\d{3,8})$', '0755-12345')
print(m)
print(m.group(0)) # 匹配的整個字符串
print(m.group(1)) # 匹配的第一個小括號的內容，即第一個匹配的子串
print(m.group(2)) # 匹配的第二個小括號的內容，即第二個匹配的子串

一個複雜的例子,提起給定時間字符串中的小時、分鐘、秒

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)
print(m.groups())
print(m.group(1))
print(m.group(2))
print(m.group(3))

其實上面也有更簡便的寫法：

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

四、將指定模式的字符串進行替換

result = re.sub('[ae]','X','abcdefghi')
print(result)

result = re.subn('[ae]','X','abcdef')
print(result)

五、貪婪匹配 vs 非貪婪匹配

正則匹配默認是貪婪匹配，也就是匹配儘量多的字符。舉例以下，匹配出數字後面的0：

result7 = re.match(r'^(\d+)(0*)$', '102300').groups()
print(result7)

因爲\d+採用貪婪匹配，直接把後面的0所有匹配了，結果0*只能匹配空字符串了。
必須讓\d+採用非貪婪匹配（也就是儘量少匹配），才能把後面的0匹配出來，
加個?就可讓\d+採用非貪婪匹配：

result8 = re.match(r'^(\d+?)(0*)$', '102300').groups()
print(result8)

六、正則表達式的編譯

當咱們在Python中使用正則表達式時，re模塊內部會幹兩件事情：

1. 編譯正則表達式，若是正則表達式的字符串自己不合法，會報錯；
2. 用編譯後的正則表達式去匹配字符串。

若是一個正則表達式要重複使用幾千次，出於效率的考慮，咱們能夠預編譯該正則表達式，
接下來重複使用時就不須要編譯這個步驟了，直接匹配：

# 編譯
re_telephone = re.compile(r'^(\d{3,4})-(\d{3,8})$')

# 直接使用
print(re_telephone.match('010-12345').groups())

# 直接使用
print(re_telephone.match('010-8086').groups())

編譯後生成Regular Expression對象，因爲該對象本身包含了正則表達式，
因此調用對應的方法時不用給出正則字符串。

七、re模塊中經常使用的幾個函數

（1）compile() 

compile() 編譯正則表達式模式，返回一個對象的模式，這樣某個模式編譯一次就能夠在程序中屢次使用

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'的單詞

（2）match() 

match() 決定RE是否在字符串剛開始的位置匹配。//注：這個方法並非徹底匹配。

當pattern結束時若string還有剩餘字符，仍然視爲成功。想要徹底匹配，能夠在表達式末尾加上邊界匹配符'$'

print(re.match('com','comwww.runcomoob').group())

（3）search()

re.search函數會在字符串內查找模式匹配,只要找到第一個匹配而後返回，若是字符串沒有匹配，則返回None。

print(re.search('\dcom','www.4comrunoob.5com').group())

（4）findall() 

findall() 遍歷匹配，能夠獲取字符串中全部匹配的字符串，返回一個列表。

p = re.compile(r'\d+')
print(p.findall('o1n2m3k4'))

（5）finditer() 

finditer() 搜索string，返回一個順序訪問每個匹配結果（Match對象）的迭代器。找到 RE 匹配的全部子串，並把它們做爲一個迭代器返回。

iter = re.finditer(r'\d+','12 drumm44ers drumming, 11 ... 10 ...')
for i in iter:
print(i)
print(i.group())
print(i.span())

（6）split()

split() 按照可以匹配的子串將string分割後返回列表。
可使用re.split來分割字符串，如：re.split(r'\s+', text)；將字符串按空格分割成一個單詞列表。

print(re.split('\d+','one1two2three3four4five5'))

（7）sub() 

sub() 使用re替換string中每個匹配的子串後返回替換後的字符串。

import re
text = "JGood is a handsome boy, he is cool, clever, and so on..."
print(re.sub(r'\s+', '-', text))

（8）subn() 

subn() 使用re替換string中每個匹配的子串後返回替換後的字符串，並返回替換次數

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'))

 0x03 參考連接

• https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386832260566c26442c671fa489ebc6fe85badda25cd000
• http://www.runoob.com/python3/python3-reg-expressions.html
• https://www.cnblogs.com/tina-python/p/5508402.html
• https://www.jb51.net/tools/regexsc.htm