re/regex：正则表达式（持续更新ing...）

诸神缄默不语-个人优快云博文目录

re包官方文档-英文版：re — Regular expression operations — Python 3.10.7 documentation
中文版：re — 正则表达式操作 — Python 3.10.7 文档

regex pypi官网：regex · PyPI

1. 正则表达式语法

1. .：(点) 在默认模式，匹配除了换行的任意字符。如果指定了标签 DOTALL ，它将匹配包括换行符的任意字符。
2. $：匹配字符串尾或者在字符串尾的换行符的前一个字符，在 MULTILINE 模式下也会匹配换行符之前的文本。
   foo 匹配 'foo' 和 'foobar'，但正则表达式 foo$ 只匹配 'foo'。
   在 'foo1\nfoo2\n' 中搜索 foo.$，通常匹配 'foo2'，但在 MULTILINE 模式下可以匹配到 'foo1'；在 'foo\n' 中搜索 $ 会找到两个（空的）匹配：一个在换行符之前，一个在字符串的末尾。
3. *：对它前面的正则式匹配0到任意次重复， 尽量多的匹配字符串。 ab* 会匹配 a，ab，或者 a 后面跟随任意个 b。
4. ?：对它前面的正则式匹配0到1次重复。 ab? 会匹配 a 或者 ab。
5. +：对它前面的正则式匹配1至多次重复。\s+会匹配1至多个空白字符
6. []：匹配括号内的任意字符
7. |：A|B A或B
8. ^
   1. 在字符集中（即 [] 内）：当 ^ 出现在字符集的第一个字符时，它表示“否定”或“排除”。例如，[^abc] 表示匹配除了 a、b 或 c 之外的任何字符。
      示例： [^abc] 匹配任何不是 a、b 或 c 的字符。
   2. 在字符集外：当 ^ 出现在正则表达式的开头时，它表示“行的开始”或“字符串的开始”。它用于匹配字符串的起始位置。
      示例：^abc 匹配以 abc 开头的字符串。
9. (组合)：匹配括号内的任意正则表达式
10. \s
    1. 对于 Unicode (str) 样式：
       匹配任何Unicode空白字符（包括 [ \t\n\r\f\v] ，还有很多其他字符，比如不同语言排版规则约定的不换行空格）。如果 ASCII 被设置，就只匹配 [ \t\n\r\f\v] 。
    2. 对于8位(bytes)样式：
       匹配ASCII中的空白字符，就是 [ \t\n\r\f\v] 。
11. \S：匹配任何非空白字符。就是 \s 取非。如果设置了 ASCII 标志，就相当于 [^ \t\n\r\f\v] 。
12. \d
    1. 对于 Unicode (str) 样式：
       匹配任何Unicode十进制数（就是在Unicode字符目录[Nd]里的字符）。这包括了 [0-9] ，和很多其他的数字字符。如果设置了 ASCII 标志，就只匹配 [0-9] 。
    2. 对于8位(bytes)样式：
       匹配任何十进制数，就是 [0-9]。
13. \w 任何字符

2. re模块函数

compile

re.compile(pattern)：将正则表达式模式compile为正则表达式对象

escape

re.escape(pattern)

print(re.escape('https://www.python.org'))
https://www\.python\.org

legal_chars = string.ascii_lowercase + string.digits + "!#$%&'*+-.^_`|~:"
print('[%s]+' % re.escape(legal_chars))
[abcdefghijklmnopqrstuvwxyz0123456789!\#\$%\&'\*\+\-\.\^_`\|\~:]+

operators = ['+', '-', '*', '/', '**']
print('|'.join(map(re.escape, sorted(operators, reverse=True))))
/|\-|\+|\*\*|\*

这个函数根据Python编译器的版本，差别还挺大的：

findall

re.findall(pattern,string)

finditer

re.finditer(pattern,string)：找到所有匹配的位置
返回值是一个迭代器，每个元素是一个Match对象，其span()的第一个元素是匹配位置的索引

sub

re.sub(pattern, 替换后的字符串, string)：替换字符串

示例代码，将单一数字替换为*：

import re
 
s = "您好，欢迎来到我的博客：https://blog.youkuaiyun.com/weixin_44799217,,,###,,,我的邮箱是：535646343@qq.com. Today is 2021/12/21. It is a wonderful DAY!"
 
#  只匹配单一数字
ret = re.sub(r'[0-9]', "*", s)
print(ret)

split

re.split('[,，]',string)：使用多种标点符号同时分割句子，返回分割后的字符串列表

search

re.search(pattern, string, flags=0)：查找pattern第一次出现的位置。如果没有，返回None

pattern的函数

match

title_pattern = re.compile(r'^\s*#\s')
title_pattern.match(line)  #一个布尔表达式

3. RegexFlag

就是写在re函数里面的，可以见本文第4节的例子作为参考。

1. re.DOTALL：如果不用这个flag的话，.是无法匹配到换行符的
2. re.IGNORECASE：大小写不敏感¹

4. 典型任务示例

1. 打印字符串中找obj1和obj2之间的内容：re.findall(r'obj1(.*?)obj2',被查找的字符串,re.DOTALL)
2. 将字符串按照回车和句号进行分句（不会保留回车和句号）：re.split('[。\n]',字符串)
3. 字符串是否匹配指定pattern：re.match(r'pattern',字符串,re.DOTALL)
4. 匹配任何中文字符，简单写法：[\u4e00-\u9fff]
   （基本汉字到9FA5，补充字到9FFF。一般用9FA5也够了）
   示例代码：

   import re
   pattern = r'[\u4e00-\u9fff]+'  # 匹配连续汉字
   text = "你好，Hello！"
   print(re.findall(pattern, text))  # 输出：['你好']
   

   一个很高级的写法（包括更多格式的中文字符）：[\u3006\u3007\u4e00-\u9fff\u3400-\u4dbf\U00020000-\U0002a6df\U0002a700-\U0002ebef\U00030000-\U0003134f]（……没看懂但是总之可以参考：https://ayaka.shn.hk/hanregex/zh-CN/）
   用第三方库regex还可以用Unicode属性来实现，不过见上帖，说是并不推荐使用这种写法：

   import regex
   pattern = r'\p{Script=Han}+'
   text = "汉字测试 Test"
   print(regex.findall(pattern, text))  # 输出：['汉字测试']
   

5. 字符串是否匹配数字（包括0-9阿拉伯数字，零-十大小写中文数字）：

   pattern=re.compile(r'[0-9零一二三四五六七八九十〇壹贰叁肆伍陆柒捌玖拾]')
   pattern.search(string_object)
   

6. 从字符串中抽取所有数字：

   def extract_numbers(s):
   	return re.findall(r'\d+(?:\.\d+)?', s)  #注意对于英文，建议用\b\d+(?:\.\d+)?\b  \b保证数字独立
   

7. 删除文本中的标点符号：

   simple_punctuation = '[’!"#$%&\'()*+,-/:;<=>?@[\\]^_`{|}~，。,]'
   line = re.sub(simple_punctuation, '', linee)
   

8. 删除文本中的数字：re.sub("[0-9]", " ", line)
9. 从文本中抽取URL

   import re
   url_pattern=re.compile(r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+')
   official_sites=re.findall(url_pattern,'ASPLOS会议的官网是https://www.asplos-conference.org/，2023年论文提交截止时间是2022年10月20日。')
   

5. 常见小bug

1. re.error: multiple repeat
   错误原因：内容里有特殊字符
   解决方案：re.escape(pattern)²

6. 本文撰写过程中参考的资料

1. Python 截取两个字符串之间的内容_python截取两个字符串之间的内容_琪琪%￥%的博客-优快云博客
2. re.sub()用法详解-优快云博客
3. 还没看
   1. https://github.com/ziishaned/learn-regex/blob/master/translations/README-cn.md

---

1. re.IGNORECASE | Interactive Chaos ↩︎

2. re.error: multiple repeat 解决方法 - 布都御魂 - 博客园 ↩︎