python中的正則表達式（re模塊）

1、簡介

正則表達式自己是一種小型的、高度專業化的編程語言，而在python中，經過內嵌集成re模塊，程序媛們能夠直接調用來實現正則匹配。正則表達式模式被編譯成一系列的字節碼，而後由用C編寫的匹配引擎執行。

2、正則表達式中經常使用的字符含義

一、普通字符和11個元字符：

普通字符	匹配自身	abc	abc
.	匹配任意除換行符"\n"外的字符(在DOTALL模式中也能匹配換行符	a.c	abc
\	轉義字符，使後一個字符改變原來的意思	a\.c;a\\c	a.c;a\c
*	匹配前一個字符0或屢次	abc*	ab;abccc
+	匹配前一個字符1次或無限次	abc+	abc;abccc
?	匹配一個字符0次或1次	abc?	ab;abc
^	匹配字符串開頭。在多行模式中匹配每一行的開頭	^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|左右表達式任意一個，從左到右匹配，若是|沒有包括在()中，則它的範圍是整個正則表達式	abc|def	abc def
{}	{m}匹配前一個字符m次，{m,n}匹配前一個字符m至n次，若省略n，則匹配m至無限次	ab{1,2}c	abc abbc
[]	字符集。對應的位置能夠是字符集中任意字符。字符集中的字符能夠逐個列出，也能夠給出範圍，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義。用\反斜槓轉義恢復特殊字符的特殊含義。	a[bcd]e	abe ace ade
()	被括起來的表達式將做爲分組，從表達式左邊開始沒遇到一個分組的左括號「（」，編號+1. 分組表達式做爲一個總體，能夠後接數量詞。表達式中的|僅在該組中有效。	(abc){2} a(123|456)c	abcabc a456c

這裏須要強調一下反斜槓\的做用：

• 反斜槓後邊跟元字符去除特殊功能；（即將特殊字符轉義成普通字符）
• 反斜槓後邊跟普通字符實現特殊功能；（即預約義字符）
• 引用序號對應的字組所匹配的字符串。

a=re.search(r'(tina)(fei)haha\2','tinafeihahafei tinafeihahatina').group()
print(a)
結果：
tinafeihahafei

二、預約義字符集（能夠寫在字符集[...]中） 

\d	數字:[0-9]	a\bc	a1c
\D	非數字:[^\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	匹配包括下劃線在內的任何字字符:[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	僅匹配字符串開頭,同^	\Aabc	abc
\Z	僅匹配字符串結尾，同$	abc\Z	abc
\b	匹配\w和\W之間，即匹配單詞邊界匹配一個單詞邊界，也就是指單詞和空格間的位置。例如， 'er\b' 能夠匹配"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

這裏須要強調一下\b的單詞邊界的理解：
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)
執行結果以下：
[]
['tina']
['tina']
['tina']

三、特殊分組用法：

(?P<name>)	分組，除了原有的編號外再指定一個額外的別名	(?P<id>abc){2}	abcabc
(?P=name)	引用別名爲<name>的分組匹配到字符串	(?P<id>\d)abc(?P=id)	1abc1 5abc5
\<number>	引用編號爲<number>的分組匹配到字符串	(\d)abc\1	1abc1 5abc5

3、re模塊中經常使用功能函數

一、compile()

編譯正則表達式模式，返回一個對象的模式。（能夠把那些經常使用的正則表達式編譯成正則表達式對象，這樣能夠提升一點效率。）

格式：

re.compile(pattern,flags=0)

pattern: 編譯時用的表達式字符串。

flags 編譯標誌位，用於修改正則表達式的匹配方式，如：是否區分大小寫，多行匹配等。經常使用的flags有：

標誌	含義
re.S(DOTALL)	使.匹配包括換行在內的全部字符
re.I（IGNORECASE）	使匹配對大小寫不敏感
re.L（LOCALE）	作本地化識別（locale-aware)匹配，法語等
re.M(MULTILINE)	多行匹配，影響^和$
re.X(VERBOSE)	該標誌經過給予更靈活的格式以便將正則表達式寫得更易於理解
re.U	根據Unicode字符集解析字符，這個標誌影響\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'的單詞
執行結果以下：
['good', 'cool']

二、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'$'

格式：

re.match(pattern, string, flags=0)

print(re.match('com','comwww.runcomoob').group())
print(re.match('com','Comwww.runcomoob',re.I).group())
執行結果以下：
com
com

三、search()

 格式：

re.search(pattern, string, flags=0)

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())
執行結果以下：
4com

*注：match和search一旦匹配成功，就是一個match object對象，而match object對象有如下方法：

• group() 返回被 RE 匹配的字符串
• start() 返回匹配開始的位置
• end() 返回匹配結束的位置
• span() 返回一個元組包含匹配 (開始,結束) 的位置
• group() 返回re總體匹配的字符串，能夠一次輸入多個組號，對應組號匹配的字符串。

a. group（）返回re總體匹配的字符串，
b. group (n,m) 返回組號爲n，m所匹配的字符串，若是組號不存在，則返回indexError異常
c.groups（）groups() 方法返回一個包含正則表達式中全部小組字符串的元組，從 1 到所含的小組號，一般groups()不須要參數，返回一個元組，元組中的元就是正則表達式中定義的組。 

import re
a = "123abc456"
 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0))   #123abc456,返回總體
 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) 列出第一個括號匹配部分，group(2) 列出第二個括號匹配部分，group(3) 列出第三個括號匹配部分。###

四、findall()

re.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。

 格式：

re.findall(pattern, string, flags=0)

p = re.compile(r'\d+')
print(p.findall('o1n2m3k4'))
執行結果以下：
['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))#()表示子表達式 
執行結果以下：
['good', 'cool']
[('g', 'd'), ('c', 'l')]

五、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。

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())
執行結果以下：
<_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。

格式：

re.split(pattern, string[, maxsplit])

maxsplit用於指定最大分割次數，不指定將所有分割。

print(re.split('\d+','one1two2three3four4five5'))
執行結果以下：
['one', 'two', 'three', 'four', 'five', '']

七、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。

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))
執行結果以下：
JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...

其中第二個函數是替換後的字符串；本例中爲'-'

第四個參數指替換個數。默認爲0，表示每一個匹配項都替換。

re.sub還容許使用函數對匹配項的替換進行復雜的處理。

如：re.sub(r'\s', lambda m: '[' + m.group(0) + ']', text, 0)；將字符串中的空格' '替換爲'[ ]'。

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))
執行結果以下：
JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...

八、subn()

 返回替換次數

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'))
執行結果以下：
('AA3456abcdef', 2)
I have A,  I have B ,I have C
('I have A,  I have B ,I have C', 3)

4、一些注意點

一、re.match與re.search與re.findall的區別：

re.match只匹配字符串的開始，若是字符串開始不符合正則表達式，則匹配失敗，函數返回None；而re.search匹配整個字符串，直到找到一個匹配。

a=re.search('[\d]',"abc33").group()
print(a)
p=re.match('[\d]',"abc33")
print(p)
b=re.findall('[\d]',"abc33")
print(b)
執行結果：
3
None
['3', '3']

二、貪婪匹配與非貪婪匹配

*?,+?,??,{m,n}?    前面的*,+,?等都是貪婪匹配，也就是儘量匹配，後面加?號使其變成惰性匹配

a = re.findall(r"a(\d+?)",'a23b')
print(a)
b = re.findall(r"a(\d+)",'a23b')
print(b)
執行結果：
['2']
['23']

a = re.match('<(.*)>','<H1>title<H1>').group()
print(a)
b = re.match('<(.*?)>','<H1>title<H1>').group()
print(b)
執行結果：
<H1>title<H1>
<H1>

a = re.findall(r"a(\d+)b",'a3333b')
print(a)
b = re.findall(r"a(\d+?)b",'a3333b')
print(b)
執行結果以下：
['3333']
['3333']
#######################
這裏須要注意的是若是先後均有限定條件的時候，就不存在什麼貪婪模式了，非匹配模式失效。

 三、用flags時遇到的小坑

print(re.split('a','1A1a2A3',re.I))#輸出結果並未能區分大小寫
這是由於re.split(pattern，string，maxsplit,flags)默認是四個參數，當咱們傳入的三個參數的時候，系統會默認re.I是第三個參數，因此就沒起做用。若是想讓這裏的re.I起做用，寫成flags=re.I便可。 

5、正則的小實踐

一、匹配電話號碼

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")