正則與python的re模塊

1、正則表達式的語法

　　正則表達式使用反斜槓字符('\')來表示特殊的形式或者來容許使用特殊的字符而不要啓用它們特殊的含義。這與字符串字面值中相同目的的相同字符的用法衝突；例如，要匹配一個反斜線字面值，你必須寫成'\\\\'做爲模式字符串，由於正則表達式必須是\\，每一個反斜線在Python字符串字面值內部必須表達成\\。

　　解決的辦法是使用Python的原始字符串符號表示正則表達式的模式；在以'r'爲前綴的字符串字面值中，反斜槓不會以任何特殊的方式處理。因此r"\n"是一個包含'\'和'n'兩個字符的字符串，而"\n"是包含一個換行符的單字符字符串。一般在Python代碼中，模式的表示使用這種原始字符串符號。

 　　概念：

　　原子：正則表達式中最小的內容

　　原子表：[ ]

　　原子組：()

　　元字符：

字符	描述
\	將下一個字符標記爲一個特殊字符、或一個原義字符、或一個 後向引用、或一個八進制轉義符。例如，'n' 匹配字符 "n"。'\n' 匹配一個換行符。序列 '\\' 匹配 "\" 而 "\(" 則匹配 "("。 1.作爲轉意，即一般在"\"後面的字符不按原來意義解釋，如/b/匹配字符"b"，當b前面加了反斜杆後/\b/，轉意爲匹配一個單詞的邊界。 2.對正則表達式功能字符的還原，如"*"匹配它前面元字符0次或屢次，/a*/將匹配a,aa,aaa，加了"\"後，/a\*/將只匹配"a*"。
^	匹配輸入字符串的開始位置。若是設置了 RegExp 對象的 Multiline 屬性，^ 也匹配 '\n' 或 '\r' 以後的位置。 /^a/匹配"an A"，而不匹配"An a"
$	匹配輸入字符串的結束位置。若是設置了RegExp 對象的 Multiline 屬性，$ 也匹配 '\n' 或 '\r' 以前的位置。 /a$/匹配"An a"，而不匹配"an A"
*	匹配前面的子表達式零次或屢次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等價於{0,}。
+	匹配前面的子表達式一次或屢次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等價於 {1,}。
?	匹配前面的子表達式零次或一次。例如，"do(es)?" 能夠匹配 "do" 或 "does" 中的"do" 。? 等價於 {0,1}。
{n}	n 是一個非負整數。匹配肯定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，可是能匹配 "food" 中的兩個 o。
{n,}	n 是一個非負整數。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的全部 o。'o{1,}' 等價於 'o+'。'o{0,}' 則等價於 'o*'。
{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。劉， "o{1,3}" 將匹配 "fooooood" 中的前三個 o。'o{0,1}' 等價於 'o?'。請注意在逗號和兩個數之間不能有空格。
?	當該字符緊跟在任何一個其餘限制符 (*, +, ?, {n}, {n,}, {n,m}) 後面時，匹配模式是非貪婪的。非貪婪模式儘量少的匹配所搜索的字符串，而默認的貪婪模式則儘量多的匹配所搜索的字符串。例如，對於字符串 "oooo"，'o+?' 將匹配單個 "o"，而 'o+' 將匹配全部 'o'。
.	匹配除 "\n" 以外的任何單個字符。要匹配包括 '\n' 在內的任何字符，請使用象 '[.\n]' 的模式。
(pattern)	匹配pattern 並獲取這一匹配。所獲取的匹配能夠從產生的 Matches 集合獲得，在VBScript 中使用SubMatches集合，在Visual Basic Scripting Edition 中則使用$0…$9 屬性。要匹配圓括號字符，請使用 ''。
(?:pattern)	匹配 pattern 但不獲取匹配結果，也就是說這是一個非獲取匹配，不進行存儲供之後使用。這在使用 "或" 字符 (|) 來組合一個模式的各個部分是頗有用。例如， 'industr(?:y|ies) 就是一個比 'industry|industries' 更簡略的表達式。
(?=pattern)	正向預查，在任何匹配 pattern 的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不須要獲取供之後使用。例如， 'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ，但不能匹配 "Windows 3.1" 中的 "Windows"。預查不消耗字符，也就是說，在一個匹配發生後，在最後一次匹配以後當即開始下一次匹配的搜索，而不是從包含預查的字符以後開始。
(?!pattern)	負向預查，在任何不匹配Negative lookahead matches the search string at any point where a string not matchingpattern 的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不須要獲取供之後使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows"，但不能匹配 "Windows 2000" 中的 "Windows"。預查不消耗字符，也就是說，在一個匹配發生後，在最後一次匹配以後當即開始下一次匹配的搜索，而不是從包含預查的字符以後開始
x|y	匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 則匹配 "zood" 或 "food"。
[xyz]	字符集合。匹配所包含的任意一個字符。例如， '[abc]' 能夠匹配 "plain" 中的 'a'。
[^xyz]	負值字符集合。匹配未包含的任意字符。例如， '[^abc]' 能夠匹配 "plain" 中的'p'。
[a-z]	字符範圍。匹配指定範圍內的任意字符。例如，'[a-z]' 能夠匹配 'a' 到 'z' 範圍內的任意小寫字母字符。
[^a-z]	負值字符範圍。匹配任何不在指定範圍內的任意字符。例如，'[^a-z]' 能夠匹配任何不在 'a' 到 'z' 範圍內的任意字符。
\b	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'。
\B	匹配非單詞邊界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\cx	匹配由x指明的控制字符。例如， \cM 匹配一個 Control-M 或回車符。 x 的值必須爲 A-Z 或 a-z 之一。不然，將 c 視爲一個原義的 'c' 字符。
\d	匹配一個數字字符。等價於 [0-9]。
\D	匹配一個非數字字符。等價於 [^0-9]。
\f	匹配一個換頁符。等價於 \x0c 和 \cL。
\n	匹配一個換行符。等價於 \x0a 和 \cJ。
\r	匹配一個回車符。等價於 \x0d 和 \cM。
\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。等價於 [^ \f\n\r\t\v]。
\t	匹配一個製表符。等價於 \x09 和 \cI。
\v	匹配一個垂直製表符。等價於 \x0b 和 \cK。
\w	匹配包括下劃線的任何單詞字符。等價於'[A-Za-z0-9_]'。
\W	匹配任何非單詞字符。等價於 '[^A-Za-z0-9_]'。
\xn	匹配 n，其中 n 爲十六進制轉義值。十六進制轉義值必須爲肯定的兩個數字長。例如， '\x41' 匹配 "A"。'\x041' 則等價於 '\x04' & "1"。正則表達式中可使用 ASCII 編碼。.
\num	匹配 num，其中 num 是一個正整數。對所獲取的匹配的引用。例如，'(.)\1' 匹配兩個連續的相同字符。
\n	標識一個八進制轉義值或一個後向引用。若是 \n 以前至少 n 個獲取的子表達式，則 n 爲後向引用。不然，若是n爲八進制數字 (0-7)，則n 爲一個八進制轉義值。
\nm	標識一個八進制轉義值或一個後向引用。若是 \nm 以前至少有is preceded by at least nm 個獲取得子表達式，則 nm 爲後向引用。若是 \nm 以前至少有 n 個獲取，則 n 爲一個後跟文字m的後向引用。若是前面的條件都不知足，若 n 和m 均爲八進制數字 (0-7)，則 \nm 將匹配八進制轉義值nm。
\nml	若是 n 爲八進制數字 (0-3)，且 m 和 l 均爲八進制數字 (0-7)，則匹配八進制轉義值nml。
\un	匹配 n，其中 n 是一個用四個十六進制數字表示的 Unicode 字符。例如， \u00A9 匹配版權符號 (?)。
[\u4e00-\u9fa5]	匹配漢字

 

舉例：

正則表達式	功能描述
^\\d+|(\\s&&[^\\f\\n\\r\\t\\v])*$	非負整數（正整數 + 0），不輸入也能夠經過
^\\d+$	非負整數（正整數 + 0）
^[0-9]*[1-9][0-9]*$	正整數
^((-\\d+)|(0+))$	非正整數（負整數 + 0）
^-[0-9]*[1-9][0-9]*$	負整數
^-?\\d+$	整數
^\\d+(\\.\\d+)?$	非負浮點數（正浮點數 + 0）
^(([0-9]+\\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\\.[0-9]+)|([0-9]*[1-9][0-9]*))$	正浮點數
^((-\\d+(\\.\\d+)?)|(0+(\\.0+)?))$	非正浮點數（負浮點數 + 0）
^(-(([0-9]+\\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\\.[0-9]+)|([0-9]*[1-9][0-9]*)))$	負浮點數
^(-?\\d+)(\\.\\d+)?$	浮點數
^[A-Za-z]+$	由26個英文字母組成的字符串
^[A-Za-z0-9]+$	由數字和26個英文字母組成的字符串
^\\w+$	由數字、26個英文字母或者下劃線組成的字符串
^[\\w-]+(\\.[\\w-]+)*@[\\w-]+(\\.[\\w-]+)+$	email地址
^[a-zA-z]+://(\\w+(-\\w+)*)(\\.(\\w+(-\\w+)*))*(\\?\\S*)?$	url
^(\\d{4})$	日期格式yyyy
^(\\d{4})-(0\\d{1}|1[0-2])$	日期格式yyyy-mm
^(\\d{4})-(0\\d{1}|1[0-2])-(0\\d{1}|[12]\\d{1}|3[01])$	日期格式yyyy-mm-dd
^(0\\d{1}|1\\d{1}|2[0-3])$	時間格式hh
^(0\\d{1}|1\\d{1}|2[0-3]):([0-5]\\d{1})$	時間格式hh:mm
^(0\\d{1}|1\\d{1}|2[0-3]):[0-5]\\d{1}:([0-5]\\d{1})$	時間格式hh:mm:ss
^\[ \t]*$	匹配一個空白行。
\d{2}-\d{5}	驗證一個ID 號碼是否由一個2位數字，一個連字符以及一個5位數字組成。
<(.*)>.*<\/\1>	匹配一個 HTML 標記。
^one	匹配以one開頭
two$	匹配以two結尾
^three$	精確匹配three
fore	匹配任意包含fore

re包：

re.search(pattern, string, flags=0)

掃描字符串，尋找的第一個由該正則表達式模式產生匹配的位置，並返回相應的MatchObject實例。返回None若是沒有字符串中的位置匹配模式 ；請注意這不一樣於在字符串的某個位置中找到一個長度爲零的匹配。

re.match(pattern, string, flags=0)

　　　若是在字符串的開頭的零個或更多字符匹配正則表達式模式，將返回相應的MatchObject實例。返回None則該字符串中與模式不匹配；請注意這是不一樣於零長度匹配。

　　　請注意，即便在多行模式下， re.match()將只匹配字符串的開頭，而不是在每一個行的開頭。

　　　若是你想要在字符串中的任意位置定位一個匹配，改用search () （請參見search () 與 match ()）。

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

若是整個字符串匹配正則表達式模式，則返回一個match對象。若是字符串與模式不匹配，則返回None；請注意：這與長度爲0的match是有區別的。

re.split(pattern, string, maxsplit=0, flags=0)

將字符串拆分的模式的匹配項。若是在模式中使用捕獲括號，則而後也做爲結果列表的一部分返回的文本模式中的全部組。若是maxsplit不爲零，頂多maxsplit分裂發生，而且該字符串的其他部分將做爲列表的最後一個元素返回。

>>>

>>> re.split('\W+', 'Words, words, words.') ['Words', 'words', 'words', ''] >>> re.split('(\W+)', 'Words, words, words.') ['Words', ', ', 'words', ', ', 'words', '.', ''] >>> re.split('\W+', 'Words, words, words.', 1) ['Words', 'words, words.'] >>> re.split('[a-f]+', '0a3B9', flags=re.IGNORECASE) ['0', '3', '9'] 

若是在分離器有捕獲組，它匹配字符串的開頭，結果將啓動與空字符串。一樣對於字符串的末尾：

>>>

>>> re.split('(\W+)', '...words, words...') ['', '...', 'words', ', ', 'words', '...', ''] 

這樣一來，分離器組件始終都位於相同的相對索引在結果列表中 （例如，若是有是在分離器，在 0，第二個捕獲組等等）。

請注意，拆分將永遠不會拆分對空模式匹配的字符串。舉個例子：

>>>

>>> re.split('x*', 'foo') ['foo'] >>> re.split("(?m)^$", "foo\n\nbar\n") ['foo\n\nbar\n']

re.findall(pattern, string, flags=0)

做爲一個字符串列表，在字符串中，返回全部非重疊匹配的模式。該字符串是從左到右掃描的，匹配按照發現的順序返回。若是一個或多個組是本模式中，返回一個列表的羣體 ；若是該模式具備多個組，這將是元組的列表。空匹配包含在結果中，除非他們接觸到另外一場匹配的開頭。

re.finditer(pattern, string, flags=0)

返回一個迭代器符合MatchObject狀況 在 RE模式字符串中的全部非重疊的匹配。該字符串是掃描的左到右，和按發現的順序返回匹配。空匹配包含在結果中，除非他們接觸的另外一個匹配的開頭。

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

Return the string obtained by replacing the leftmost non-overlapping occurrences of pattern in string by the replacement repl. 若是pattern沒有被找到， string不變。repl 能夠是一個字符串或一個函數；若是是一個字符串, 任何反斜槓轉義都會實現。那就是，\n會轉化成一個換行符，\r 會轉化成一個回車，等等。 未知的轉義字符例如 \j不作處理。Backreferences, such as \6, are replaced with the substring matched by group 6 in the pattern. For example:

>>>

>>> re.sub(r'def\s+([a-zA-Z_][a-zA-Z_0-9]*)\s*\(\s*\):', ... r'static PyObject*\npy_\1(void)\n{', ... 'def myfunc():') 'static PyObject*\npy_myfunc(void)\n{' 

若是repl是一個函數，它被呼籲每一個非重疊模式發生。該函數採用單個匹配對象做爲參數，並返回替換字符串。舉個例子：

>>>

>>> def dashrepl(matchobj): ... if matchobj.group(0) == '-': return ' ' ... else: return '-' >>> re.sub('-{1,2}', dashrepl, 'pro----gram-files') 'pro--gram files' >>> re.sub(r'\sAND\s', ' & ', 'Baked Beans And Spam', flags=re.IGNORECASE) 'Baked Beans & Spam' 

模式能夠是一個字符串或從新對象。

可選參數計數是模式出現，要更換 ； 的最大次數計數必須爲非負整數。若是省略或爲零，全部事件將被替換。空匹配模式取代只有當不毗鄰前一個匹配，因此子 ('x *' '-'， 'abc')返回'-a-b-c-'。

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

執行相同的操做，如sub()，但返回一個元組（new_string， number_of_subs_made)。

re.escape(string)

返回的字符串與全部非字母數字帶有反斜槓 ；這是有用的若是你想匹配一個任意的文本字符串，在它可能包含正則表達式元字符。

re.purge()

清除正則表達式緩存。