正則表達(dá)式
什么是正則表達(dá)式？
正則表達(dá)式是對(duì)字符串（包括普通字符（例如，a 到 z 之間的字母）和特殊字符（稱(chēng)為“元字符”））操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個(gè)“規(guī)則字符串”，這個(gè)“規(guī)則字符串”用來(lái)表達(dá)對(duì)字符串的一種過(guò)濾邏輯。正則表達(dá)式是一種文本模式，該模式描述在搜索文本時(shí)要匹配的一個(gè)或多個(gè)字符串。
正則表達(dá)式可以干什么?
- 快速高效的查找與分析字符串
- 進(jìn)行有規(guī)律查找比對(duì)字符串，也叫：模式匹配
- 具有查找、比對(duì)、匹配、替換、插入、添加、刪除等能力。
字符串是編程時(shí)涉及到的最多的一種數(shù)據(jù)結(jié)構(gòu)，對(duì)字符串進(jìn)行操作的需求幾乎無(wú)處不在。比如我們編寫(xiě)爬蟲(chóng)收集數(shù)據(jù)，首先都得到網(wǎng)頁(yè)源碼，但是我們要如何提取有效數(shù)據(jù)呢，這時(shí)候我們就需要使用正則表達(dá)式來(lái)進(jìn)行匹配了
?
re模塊
正則表達(dá)式是一個(gè)特殊的字符序列，它能幫助你方便的檢查一個(gè)字符串是否與某種模式匹配。Python 自1.5版本起增加了re 模塊，它提供 Perl 風(fēng)格的正則表達(dá)式模式。re 模塊使 Python 語(yǔ)言擁有全部的正則表達(dá)式功能。
由于Python的字符串本身也用
\
轉(zhuǎn)義，所以要特別注意：
s = 'ABC\\-001' # Python的字符串
# 對(duì)應(yīng)的正則表達(dá)式字符串變成：
# 'ABC\-001'
因此建議使用Python的
r
前綴，就不用考慮轉(zhuǎn)義的問(wèn)題了：
s = r'ABC\-001' # Python的字符串
# 對(duì)應(yīng)的正則表達(dá)式字符串不變：
# 'ABC\-001'
?
re模塊符號(hào)大全
正則表達(dá)式模式
模式字符串使用特殊的語(yǔ)法來(lái)表示一個(gè)正則表達(dá)式：
字母和數(shù)字表示他們自身。一個(gè)正則表達(dá)式模式中的字母和數(shù)字匹配同樣的字符串。
多數(shù)字母和數(shù)字前加一個(gè)反斜杠時(shí)會(huì)擁有不同的含義。
標(biāo)點(diǎn)符號(hào)只有被轉(zhuǎn)義時(shí)才匹配自身，否則它們表示特殊的含義。
反斜杠本身需要使用反斜杠轉(zhuǎn)義。
由于正則表達(dá)式通常都包含反斜杠，所以你最好使用原始字符串來(lái)表示它們。模式元素(如? r'\t'，等價(jià)于? \\t?)匹配相應(yīng)的特殊字符。
下表列出了正則表達(dá)式模式語(yǔ)法中的特殊元素。如果你使用模式的同時(shí)提供了可選的標(biāo)志參數(shù)，某些模式元素的含義會(huì)改變。
| 模式 | 描述 |
|---|---|
| ^ | 匹配字符串的開(kāi)頭 |
| $ | 匹配字符串的末尾。 |
| . | 匹配任意字符，除了換行符，當(dāng)re.DOTALL標(biāo)記被指定時(shí)，則可以匹配包括換行符的任意字符。 |
| [...] | 用來(lái)表示一組字符,單獨(dú)列出：[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。 |
| re* | 匹配0個(gè)或多個(gè)的表達(dá)式。 |
| re+ | 匹配1個(gè)或多個(gè)的表達(dá)式。 |
| re? | 匹配0個(gè)或1個(gè)由前面的正則表達(dá)式定義的片段，非貪婪方式 |
| re{ n} | 匹配n個(gè)前面表達(dá)式。例如，"o{2}"不能匹配"Bob"中的"o"，但是能匹配"food"中的兩個(gè)o。 |
| re{ n,} | 精確匹配n個(gè)前面表達(dá)式。例如，"o{2,}"不能匹配"Bob"中的"o"，但能匹配"foooood"中的所有o。"o{1,}"等價(jià)于"o+"。"o{0,}"則等價(jià)于"o*"。 |
| re{ n, m} | 匹配 n 到 m 次由前面的正則表達(dá)式定義的片段，貪婪方式 |
| a| b | 匹配a或b |
| (re) | 匹配括號(hào)內(nèi)的表達(dá)式，也表示一個(gè)組 |
| (?imx) | 正則表達(dá)式包含三種可選標(biāo)志：i, m, 或 x 。只影響括號(hào)中的區(qū)域。 |
| (?-imx) | 正則表達(dá)式關(guān)閉 i, m, 或 x 可選標(biāo)志。只影響括號(hào)中的區(qū)域。 |
| (?: re) | 類(lèi)似 (...), 但是不表示一個(gè)組 |
| (?imx: re) | 在括號(hào)中使用i, m, 或 x 可選標(biāo)志 |
| (?-imx: re) | 在括號(hào)中不使用i, m, 或 x 可選標(biāo)志 |
| (?#...) | 注釋. |
| (?= re) | 前向肯定界定符。如果所含正則表達(dá)式，以 ... 表示，在當(dāng)前位置成功匹配時(shí)成功，否則失敗。但一旦所含表達(dá)式已經(jīng)嘗試，匹配引擎根本沒(méi)有提高；模式的剩余部分還要嘗試界定符的右邊。 |
| (?! re) | 前向否定界定符。與肯定界定符相反；當(dāng)所含表達(dá)式不能在字符串當(dāng)前位置匹配時(shí)成功。 |
| (?> re) | 匹配的獨(dú)立模式，省去回溯。 |
| \w | 匹配數(shù)字字母下劃線(xiàn) |
| \W | 匹配非數(shù)字字母下劃線(xiàn) |
| \s | 匹配任意空白字符，等價(jià)于 [\t\n\r\f]。 |
| \S | 匹配任意非空字符 |
| \d | 匹配任意數(shù)字，等價(jià)于 [0-9]。 |
| \D | 匹配任意非數(shù)字 |
| \A | 匹配字符串開(kāi)始 |
| \Z | 匹配字符串結(jié)束，如果是存在換行，只匹配到換行前的結(jié)束字符串。 |
| \z | 匹配字符串結(jié)束 |
| \G | 匹配最后匹配完成的位置。 |
| \b | 匹配一個(gè)單詞邊界，也就是指單詞和空格間的位置。例如， 'er\b' 可以匹配"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'。 |
| \n, \t, 等。 | 匹配一個(gè)換行符。匹配一個(gè)制表符, 等 |
| \1...\9 | 匹配第n個(gè)分組的內(nèi)容。 |
| \10 | 匹配第n個(gè)分組的內(nèi)容，如果它經(jīng)匹配。否則指的是八進(jìn)制字符碼的表達(dá)式。 |
注意
：表中re指的是表達(dá)式而不是字面的re這兩個(gè)字母
正則表達(dá)式修飾符 - 可選標(biāo)志
正則表達(dá)式可以包含一些可選標(biāo)志修飾符來(lái)控制匹配的模式。修飾符被指定為一個(gè)可選的標(biāo)志。多個(gè)標(biāo)志可以通過(guò)按位 OR(|) 它們來(lái)指定。如 re.I | re.M 被設(shè)置成 I 和 M 標(biāo)志：
| 修飾符 | 描述 |
|---|---|
| re.I | 使匹配對(duì)大小寫(xiě)不敏感 |
| re.L | 做本地化識(shí)別（locale-aware）匹配 |
| re.M | 多行匹配，影響 ^ 和 $ |
| re.S | 使 . 匹配包括換行在內(nèi)的所有字符 |
| re.U | 根據(jù)Unicode字符集解析字符。這個(gè)標(biāo)志影響 \w, \W, \b, \B. |
| re.X | 該標(biāo)志通過(guò)給予你更靈活的格式以便你將正則表達(dá)式寫(xiě)得更易于理解。 |
正則表達(dá)式對(duì)象
re.RegexObject
re.compile() 返回 RegexObject 對(duì)象。
re.MatchObject
group() 返回被 RE 匹配的字符串。
- start()?返回匹配開(kāi)始的位置
- end()?返回匹配結(jié)束的位置
- span()?返回一個(gè)元組包含匹配 (開(kāi)始,結(jié)束) 的位置
?
準(zhǔn)備知識(shí)
我們先來(lái)看看廖雪峰老師講解的正則表達(dá)式：
正則表達(dá)式是用字符串表示的，所以，我們要首先了解如何用字符來(lái)描述字符。
在正則表達(dá)式中，如果直接給出字符，就是精確匹配。
使用特殊符號(hào)表示字符：用
\d
可以匹配一個(gè)數(shù)字，
\w
可以匹配一個(gè)字母或數(shù)字，例如：
-
'00\d'可以匹配'007'，但無(wú)法匹配'00A'； -
'\d\d\d'可以匹配'010'； -
'\w\w\d'可以匹配'py3'。
'.'
可以匹配任意字符，所以：
-
'py.'可以匹配'pyc'、'py3'、'py!'等等。
要匹配變長(zhǎng)的字符，在正則表達(dá)式中，用
*
表示任意個(gè)字符（包括0個(gè)），用
+
表示至少一個(gè)字符，用
?
表示0個(gè)或1個(gè)字符，用
{n}
表示n個(gè)字符，用
{n,m}
表示n-m個(gè)字符。
來(lái)看一個(gè)復(fù)雜的例子：
\d{3}\s+\d{3,8}
。
我們來(lái)從左到右解讀一下：
-
\d{3}表示匹配3個(gè)數(shù)字，例如'010'； -
\s可以匹配一個(gè)空格（也包括Tab等空白符），所以\s+表示至少有一個(gè)空格，例如匹配' '，' '等； -
\d{3,8}表示3-8個(gè)數(shù)字，例如'1234567'。
綜合起來(lái)，上面的正則表達(dá)式可以匹配以任意個(gè)空格隔開(kāi)的帶區(qū)號(hào)的電話(huà)號(hào)碼。
如果要匹配
'010-12345'
這樣的號(hào)碼呢？由于
'-'
是特殊字符，在正則表達(dá)式中，要用
'\'
轉(zhuǎn)義，所以，上面的正則是
\d{3}\-\d{3,8}
。
但是，仍然無(wú)法匹配
'010 - 12345'
，因?yàn)閹в锌崭瘛Ｋ晕覀冃枰鼜?fù)雜的匹配方式。
進(jìn)階
要做更精確地匹配，可以用
[]
表示范圍，比如：
-
[0-9a-zA-Z\_]可以匹配一個(gè)數(shù)字、字母或者下劃線(xiàn)； -
[0-9a-zA-Z\_]+可以匹配至少由一個(gè)數(shù)字、字母或者下劃線(xiàn)組成的字符串，比如'a100'，'0_Z'，'Py3000'等等； -
[a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下劃線(xiàn)開(kāi)頭，后接任意個(gè)由一個(gè)數(shù)字、字母或者下劃線(xiàn)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(zhǎng)度是1-20個(gè)字符（前面1個(gè)字符+后面最多19個(gè)字符）。
A|B
可以匹配A或B，所以
(P|p)ython
可以匹配
'Python'
或者
'python'
。
^
表示行的開(kāi)頭，
^\d
表示必須以數(shù)字開(kāi)頭。
$
表示行的結(jié)束，
\d$
表示必須以數(shù)字結(jié)束。
py
也可以匹配
'python'
，但是加上
^py$
就變成了整行匹配，就只能匹配
'py'
了。
re模常用方法
?
re.match()
re.match 嘗試從 字符串的起始位置 匹配一個(gè)模式，如果不是起始位置匹配成功的話(huà)，match()就返回none。
函數(shù)語(yǔ)法 ：
re.match(pattern, string, flags=0)
函數(shù)參數(shù)說(shuō)明：
| 參數(shù) | 描述 |
|---|---|
| pattern | 匹配的正則表達(dá)式 |
| string | 要匹配的字符串。 |
| flags | 標(biāo)志位，用于控制正則表達(dá)式的匹配方式，如：是否區(qū)分大小寫(xiě)，多行匹配等等。參見(jiàn)上方可選標(biāo)志表格 |
匹配成功re.match方法返回一個(gè)匹配的對(duì)象，否則返回None。
實(shí)例：
import
re
print
(re.match(
'
www
'
,
'
www.baidu.com
'
).span())
print
(re.match(
'
baidu
'
,
'
www.baidu.com
'
))
輸出：
(0, 3
)
None
第一個(gè)匹配成功，第二個(gè)則失敗
re.search()
re.search 掃描 整個(gè)字符串 并返回第一個(gè)成功的匹配。
函數(shù)語(yǔ)法：
re.search(pattern, string, flags=0)
?
函數(shù)參數(shù)說(shuō)明：
| 參數(shù) | 描述 |
|---|---|
| pattern | 匹配的正則表達(dá)式 |
| string | 要匹配的字符串。 |
| flags |
標(biāo)志位，用于控制正則表達(dá)式的匹配方式，如：是否區(qū)分大小寫(xiě)，多行匹配等等。參見(jiàn)上方可選標(biāo)志表格
|
匹配成功re.search方法返回一個(gè)匹配的對(duì)象，否則返回None。
實(shí)例：
import
re
print
(re.search(
'
www
'
,
'
www.baidu.com
'
))
print
(re.search(
'
baidu
'
,
'
www.baidu.com
'
))
輸出：
<_sre.SRE_Match object; span=(0, 3), match=
'
www
'
>
<_sre.SRE_Match object; span=(4, 9), match=
'
baidu
'
>
compile 函數(shù)
compile 函數(shù)用于編譯正則表達(dá)式，生成一個(gè)正則表達(dá)式（ Pattern ）對(duì)象，供 match() 和 search() 這兩個(gè)函數(shù)使用。
提前編譯可減少多次正則匹配的運(yùn)行時(shí)間
語(yǔ)法格式為：
re.compile(pattern[, flags])
參數(shù)：
- pattern : 一個(gè)字符串形式的正則表達(dá)式
- flags 可選，表示匹配模式
re.findall()
在字符串中找到正則表達(dá)式所匹配的所有子串，并返回一個(gè) 列表 ，如果沒(méi)有找到匹配的，則返回空列表。
注意： ?match 和 search 是匹配一次 findall 匹配所有。
語(yǔ)法格式為：
re.findall(string, pos, endpos)
參數(shù)：
- string?待匹配的字符串。
- pos?可選參數(shù)，指定字符串的起始位置，默認(rèn)為 0。
- endpos?可選參數(shù)，指定字符串的結(jié)束位置，默認(rèn)為字符串的長(zhǎng)度。
實(shí)例：
import
re
mat
=re.compile(r
'
\d+
'
)
#
匹配數(shù)字
print
(mat.findall(
'
abafa 124ddwa56
'
))
print
(mat.findall(
'
abafa 124ddwa56
'
,0,7))
#
匹配從0位開(kāi)始，到7位結(jié)束
輸出：
[
'
124
'
,
'
56
'
]
[
'
1
'
]
re.finditer
和 findall 類(lèi)似，在字符串中找到正則表達(dá)式所匹配的所有子串，并把它們作為一個(gè) 迭代器 返回。
re.finditer(pattern, string, flags=0)
實(shí)例：
import
re
it
= re.finditer(r
"
\d+
"
,
"
12a32bc43jf3
"
)
for
match
in
it:
print
(match.group())
輸出：
12
32
43
3
?
re.split
split 方法按照能夠匹配的子串將字符串分割后返回列表，它的使用形式如下：
re.split(pattern, string[, maxsplit=0, flags=0])
參數(shù)：
| 參數(shù) | 描述 |
|---|---|
| pattern | 匹配的正則表達(dá)式 |
| string | 要匹配的字符串。 |
| maxsplit | 分隔次數(shù)，maxsplit=1 分隔一次，默認(rèn)為 0，不限制次數(shù)。 |
| flags |
標(biāo)志位，用于控制正則表達(dá)式的匹配方式，如：是否區(qū)分大小寫(xiě)，多行匹配等等。參見(jiàn)上方可選標(biāo)志表格
|
實(shí)例：
用正則表達(dá)式切分字符串比用固定的字符更靈活，請(qǐng)看正常的切分代碼：
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']
發(fā)現(xiàn)無(wú)法識(shí)別連續(xù)的空格，用正則表達(dá)式試試：
>>> re.split(r'\s+', 'a b c')
['a', 'b', 'c']
無(wú)論多少個(gè)空格都可以正常分割。加入
,
試試：
>>> re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']
再加入
;
試試：
>>> re.split(r'[\s\,\;]+', 'a,b;; c d')
['a', 'b', 'c', 'd']
?
groups()
我們可以使用group(num) 或 groups() 匹配對(duì)象函數(shù)來(lái)獲取匹配表達(dá)式。
| 匹配對(duì)象方法 | 描述 |
|---|---|
| group(num=0) | 匹配的整個(gè)表達(dá)式的字符串，group() 可以一次輸入多個(gè)組號(hào)，在這種情況下它將返回一個(gè)包含那些組所對(duì)應(yīng)值的元組。 |
| groups() | 返回一個(gè)包含所有小組字符串的元組，從 1 到 所含的小組號(hào)。 |
實(shí)例：
import
re
m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345'
)
print
(m.group(0))
print(m.group(1
))
print(m.group(2
))
print(m.groups())
輸出：
010-12345
010
12345
('010', '12345')
re.sub
Python 的re模塊提供了re.sub用于替換字符串中的匹配項(xiàng)。
語(yǔ)法：
re.sub(pattern, repl, string, count=0, flags=0)
參數(shù)：
- pattern : 正則中的模式字符串。
- repl : 替換的字符串，也可為一個(gè)函數(shù)。
- string : 要被查找替換的原始字符串。
- count : 模式匹配后替換的最大次數(shù)，默認(rèn) 0 表示替換所有的匹配。
- flags : 編譯時(shí)用的匹配模式，數(shù)字形式。
前三個(gè)為必選參數(shù)，后兩個(gè)為可選參數(shù)。
實(shí)例：
import
re
phone
=
"
2004-959-559 # 這是一個(gè)電話(huà)號(hào)碼
"
#
刪除注釋
num = re.sub(r
'
#.*$
'
,
""
, phone)
print
(
"
電話(huà)號(hào)碼 :
"
, num)
#
移除非數(shù)字的內(nèi)容
num = re.sub(r
'
\D
'
,
""
, phone)
print
(
"
電話(huà)號(hào)碼 :
"
, num)
repl 參數(shù)可以是一個(gè)函數(shù)
以下實(shí)例中將字符串中的匹配的數(shù)字乘于 2：
實(shí)例：
import
re
#
將匹配的數(shù)字乘于 2
def
double(matched):
value
= int(matched.group(
'
value
'
))
return
str(value * 2
)
s
=
'
A23G4HFD567
'
print
(re.sub(
'
(?P
\d+)
'
, double, s))
輸出：
A46G8HFD1134
?
貪婪匹配
需要
特別指出
的是，正則匹配默認(rèn)是貪婪匹配，也就是匹配盡可能多的字符。舉例如下，匹配出數(shù)字后面的
0
：
>>> re.match(r
'
^(\d+)(0*)$
'
,
'
102300
'
).groups()
(
'
102300
'
,
''
)
由于
\d+
采用貪婪匹配，直接把后面的
0
全部匹配了，結(jié)果
0*
只能匹配空字符串了。
必須讓
\d+
采用非貪婪匹配（也就是盡可能少匹配），才能把后面的
0
匹配出來(lái)，加個(gè)
?
就可以讓
\d+
采用非貪婪匹配：
>>> re.match(r
'
^(\d+?)(0*)$
'
,
'
102300
'
).groups()
(
'
1023
'
,
'
00
'
)
正則表達(dá)式實(shí)例
字符匹配
| 實(shí)例 | 描述 |
|---|---|
| python | 匹配 "python". |
字符類(lèi)
| 實(shí)例 | 描述 |
|---|---|
| [Pp]ython | 匹配 "Python" 或 "python" |
| rub[ye] | 匹配 "ruby" 或 "rube" |
| [aeiou] | 匹配中括號(hào)內(nèi)的任意一個(gè)字母 |
| [0-9] | 匹配任何數(shù)字。類(lèi)似于 [0123456789] |
| [a-z] | 匹配任何小寫(xiě)字母 |
| [A-Z] | 匹配任何大寫(xiě)字母 |
| [a-zA-Z0-9] | 匹配任何字母及數(shù)字 |
| [^aeiou] | 除了aeiou字母以外的所有字符 |
| [^0-9] | 匹配除了數(shù)字外的字符 |
特殊字符類(lèi)
| 實(shí)例 | 描述 |
|---|---|
| . | 匹配除 "\n" 之外的任何單個(gè)字符。要匹配包括 '\n' 在內(nèi)的任何字符，請(qǐng)使用象 '[.\n]' 的模式。 |
| \d | 匹配一個(gè)數(shù)字字符。等價(jià)于 [0-9]。 |
| \D | 匹配一個(gè)非數(shù)字字符。等價(jià)于 [^0-9]。 |
| \s | 匹配任何空白字符，包括空格、制表符、換頁(yè)符等等。等價(jià)于 [ \f\n\r\t\v]。 |
| \S | 匹配任何非空白字符。等價(jià)于 [^ \f\n\r\t\v]。 |
| \w | 匹配包括下劃線(xiàn)的任何單詞字符。等價(jià)于'[A-Za-z0-9_]'。 |
| \W | 匹配任何非單詞字符。等價(jià)于 '[^A-Za-z0-9_]'。 |
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系： 360901061
您的支持是博主寫(xiě)作最大的動(dòng)力，如果您喜歡我的文章，感覺(jué)我的文章對(duì)您有幫助，請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長(zhǎng)非常感激您！手機(jī)微信長(zhǎng)按不能支付解決辦法：請(qǐng)將微信支付二維碼保存到相冊(cè)，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元
