re正则表达式

 

字符串查询匹配的函数：

函数	描述
re.match(reg, info)	用于在开始位置匹配目标字符串info中符合正则表达式reg的字符，匹配成功会返回一个match对象，匹配不成功返回None
re.search(reg, info)	扫描整个字符串info，使用正则表达式reg进行匹配，匹配成功返回匹配的第一个match对象，匹配不成功返回None
re.findall(reg, info)	扫描整个字符串info，将符合正则表达式reg的字符全部提取出来存放在列表中返回
re.fullmatch(reg, info)	扫描整个字符串，如果整个字符串都包含在正则表达式表示的范围中，返回整个字符串，否则返回None
re.finditer(reg, info)	扫描整个字符串，将匹配到的字符保存在一个可以遍历的列表中

代码示例：

import re

my_str = "hello world"

rg1 = r"l"

# 1. match函数
# 从开头位置匹配表达式，如果第一个字符匹配失败~结束
# 匹配一次，即使目标字符串中出现了多个正确的字符
# 成功返回一个match对象，失败返回None
print('match函数')
print(re.match(rg1, my_str))  # 首字母不为l所以返回None
print()

# 2. search函数
# 从整个目标字符串中查询符合表达式的字符
# 匹配一次
# 成功返回一个match对象，失败返回None
print('search函数')
print(re.search(rg1, my_str))
print(re.search(rg1, my_str).group())
print()

# 3. findall函数
# 从整个目标字符串中，查询符合表达式的字符；全部添加到一个列表中返回
# 返回一个结果列表
print('findall函数')
print(re.findall(rg1, my_str))
print()

# 4. finditer函数
# 和第三个函数一模一样，唯一的区别
# 返回的不是列表：迭代器
print('finditer函数')
res4 = re.finditer(rg1, my_str)
print(res4)
for x in res4:
    print(x)
    print(x.group())





# 运行结果：
F:\win10software\Python36\python36.exe
match函数
None

search函数
<_sre.SRE_Match object; span=(2, 3), match='l'>
l

findall函数
['l', 'l', 'l']

finditer函数
<callable_iterator object at 0x000001DFB5ECB8D0>
<_sre.SRE_Match object; span=(2, 3), match='l'>
l
<_sre.SRE_Match object; span=(3, 4), match='l'>
l
<_sre.SRE_Match object; span=(9, 10), match='l'>
l

Process finished with exit code 0

 

修饰符：

　　正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：

修饰符	描述
re.I	IGNORECASE 忽略大小写区别
re.L	LOCAL   字符集本地化。这个功能是为了支持多语言版本的字符集使用环境的，比如在转义符/w ，在英文环境下，它代表[a-zA-Z0-9] ，即所以英文字符和数字。如果在一个法语环境下使用，缺省设置下，不能匹配 "é" 或 "ç" 。 加上这 L 选项和就可以匹配了。不过这个对于中文环境似乎没有什么用，它仍然不能匹配中文字符。
re.M	MULTILINE  多行匹配。在这个模式下 ’^’( 代表字符串开头 ) 和 ’$’( 代表字符串结尾 ) 将能够匹配多行的情况，成为行首和行尾标记。
re.S	DOTALL ‘.’ 号将匹配所有的字符。缺省情况下 ’.’ 匹配除换行符 ’/n’ 外的所有字符，使用这一选项以后， ’.’ 就能匹配包括 ’/n’ 的任何字符了。
re.U	Unicode  根据Unicode字符集解析字符，这个标志影响  /w , /W , /b , /B , /d , /D , /s 和 /S...
re.X	VERBOSE这个选项忽略规则表达式中的空白和注释，并允许使用 ’#’ 来引导一个注释。这样可以让你把规则写得更美观些。

 

字符串拆分替换的函数

re.split(reg, string)：使用指定的正则表达式reg匹配的字符，将字符串string拆分成一个字符串列表，如：re.split(r"\s+", info)，表示使用一个或者多个空白字符对字符串info进行拆分，并返回一个拆分后的字符串列表。
re.sub(reg, repl, string)：使用指定的字符串repl来替换目标字符串string中匹配正则表达式reg的字。

 

多行匹配

正则表达式re.match()默认匹配第一行，匹配多行加re.DOTALL参数即可。

re.match('(.*)',response_text,re.DOTALL)

正则表达式re.findall()中的re.M参数表示将字符串视为多行,从而^匹配每一行的行首,$匹配每一行的行尾。

Python示例，这个程序是匹配冒号加一个空格后的数字串,中间有换行符\n所以用多行匹配re.M。

#!/usr/bin/python3

import re

line = "IF_MIB::=Counter32: 12345\nIF_MIB::=Counter32: 1234556";

result = re.findall( r'(?<=\:\s)\d+$', line, re.M)

if result:
     print (result)
else:
     print ("Nothing found!!")


# 运行结果

['12345', '1234556']

分组

除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（Group）。比如：^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码。

>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
>>> m.groups()
('010', '12345')
>>>

　　如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。

groups()方法可以提取所有匹配到的子串。

a = "<a href='/a/1.html'></a>"
webpage_rex = re.compile('<a[^>]+href=["\'](.*?)["\']', re.IGNORECASE)
webpage_rex.findall(a)
>>> ['/a/1.html']
webpage_rex = re.compile('<a[^>]+href=["\'].*?["\']', re.IGNORECASE)
webpage_rex.findall(a)
>>> ["<a href='/a/1.html'"]

 

贪婪匹配

最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：

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

由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。

必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让\d+采用非贪婪匹配：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

 

Python中re匹配过程

当我们在Python中使用正则表达式时，re模块内部会干两件事情：

1. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；

2. 用编译后的正则表达式去匹配字符串。

如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：

>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')

 

---