本文详细介绍了正则表达式（RE）的概念、元字符的使用，包括匹配开始和结束位置、重复匹配、字符集以及转义和贪婪与非贪婪模式。通过实例演示了Python中正则表达式的应用，并提到了`re`模块的相关函数和匹配原则。
正则表达式（RE）
一. 动机
- 文本处理已经成为计算机的常见工作
- 对文本内容的搜索，定位，提取逻辑比较复杂
- 为了快速方便的解决上述问题，产生了正则表达式
二. 简介
- 定义：即文本的高级匹配模式，提供搜索，替换，查找等功能。其本质是一系列由字符和特殊符号构成的字串，这个字串即正则表达式。
- 匹配原理：通过普通字符和有特定含义的字符来组成字符串，用以描述一定的字符串规则，比如重复，位置等，来表达一类特定的字符串内容。
三. 元字符的使用
-
普通字符
匹配规则： 每个普通字符匹配对应的字符
In [14]: re.findall(‘ab’,‘abcdeabcda’)
Out[14]: [‘ab’, ‘ab’]注意：
- 正则表达式永远是作为一个规则整体匹配
- python中正则表达式可以匹配中文
-
或
元字符 ： |
匹配规则： 匹配 | 两侧任意一个正则规则即可In [16]: re.findall(‘ab|cd’,‘abcdefghabcd’)
Out[16]: [‘ab’, ‘cd’, ‘ab’, ‘cd’] -
匹配开始位置
元字符 ： ^
匹配规则： 使用^匹配目标字符串开头位置In [18]: re.findall(’^Hello’,‘Hello world’)
Out[18]: [‘Hello’] -
匹配结尾位置
元字符 ： $
匹配规则： 使用 $ 匹配目标字符串结尾位置In [20]: re.findall(‘Jame$’,‘Hi,Jame’)
Out[20]: [‘Jame’]注意：正则表达式中如果有^ $ 必然出现在正则表达式的开始和最后。如果同时有^ $则正则必须匹配目标字符串全部内容。
-
匹配任意字符
元字符： .
匹配规则：匹配除换行外的任意一个字符In [25]: re.findall(‘小.’,‘小红说小王欺负小李’)
Out[25]: [‘小红’, ‘小王’, ‘小李’] -
匹配字符集中字符
元字符：[字符集]
匹配规则：匹配字符集中任意一个字符
表达形式：[#abc好坏] --> 匹配[]内任意一个字符
[0-9][a-z][A-Z] --> 匹配区间内的任意一个字符
[-_#0-9a-z] -->混合书写，区间写在后面In [30]: re.findall(’[aeiou]’,‘Hello world’)
Out[30]: [‘e’, ‘o’, ‘o’] -
匹配字符集反集
元字符： [^…]
匹配规则：匹配除了字符集中的任意一个字符In [36]: re.findall(’^[^a-z0-9]…’,‘How are you,Jame’)
Out[36]: [‘How’] -
匹配重复
元字符： *
匹配规则 ： 匹配前面的字符出现0次或多次In [38]: re.findall(‘ab*’,‘abcdabbbbadfgg’)
Out[38]: [‘ab’, ‘abbbb’, ‘a’]注意： ab* 当表达b出现0次时是 a 而不是 ab
-
匹配重复
元字符： +
匹配规则： 匹配前面的字符出现1次或多次In [41]: re.findall(‘ab+’,‘abcdabbbbadfgg’)
Out[41]: [‘ab’, ‘abbbb’] -
匹配重复
元字符： ？
匹配规则： 匹配前面的字符出现0次或1次In [48]: re.findall(‘ab?’,‘abcdabbbba’)
Out[48]: [‘ab’, ‘ab’, ‘a’] -
匹配重复
元字符：{n}
匹配规则： 匹配前面的字符出现n次In [52]: re.findall(’[0-9]{11}’,‘15100317765’)
Out[52]: [‘15100317765’] -
匹配重复
元字符： {m,n}
匹配规则：匹配前面的字符出现 m – n 次In [60]: re.findall(’[_0-9a-zA-Z]{6,8}’,‘zhang123’)
Out[60]: [‘zhang123’] -
匹配任意（非）数字字符
元字符： \d \D
匹配规则： \d 匹配任意数字字符 [0-9]
\D 匹配非数字字符 [^0-9]In [61]: re.findall(‘1\d{10}’,‘15910694728’)
Out[61]: [‘15910694728’] -
匹配任意（非）普通字符
元字符 ： \w \W
匹配规则： \w 匹配任意普通字符
\W 匹配任意非普通字符说明：普通字符指数字字母下划线（汉字也是普通字符）
In [66]: re.findall(’\w+’,‘Port 27017 App#mongodb’)
Out[66]: [‘Port’, ‘27017’, ‘App’, ‘mongodb’] -
匹配（非）空字符
元字符：\s \S
匹配规则： \s 匹配任意空字符
\S 匹配任意非空字符
说明： 空字符指 空格 \r \n \t \v \fIn [69]: re.findall(’\w+\s+\w+’,‘hello world’)
Out[69]: [‘hello world’] -
匹配开头结尾位置
元字符： \A \Z
匹配规则： \A 匹配字符串开头位置 ^
\Z 匹配字符串结尾位置 $ -
匹配(非)单词边界
元字符: \b \B
匹配规则： \b 匹配单词边界位置
\B 匹配非单词边界位置
说明：数字字母下划线（汉字）和其他字符的交界为单词边界In [73]: re.findall(r’\Bis\b’,‘This is a test’)
Out[73]: [‘is’]
总结：
匹配单个字符： . […] [^…] \d \D \w \W \s \S
匹配重复: * + ? {n} {m,n}
匹配位置: ^ $ \A \Z \b \B
其他 : | () \
四. 正则表达式转义
-
特殊字符： . * + ? ^ $ [] () {} | \
-
当正则表达式需要匹配特殊字符的时候，需要加转义
In [84]: re.findall(’$\d+’,‘月薪$8000’)
Out[84]: [’$8000’] -
raw 字符串
字符串 正则 目标
“\$\d+” --> $\d+ —> “$8000”
r’$\d+’ --> $\d+ —> “$8000”raw字符串不会经过字符串本身转义解析，当正则中包含特殊符号时经常使用这种字符串，省去转义麻烦
五. 贪婪 和 非贪婪
贪婪模式：正则表达式的重复匹配总是尽可能向后匹配更多的内容，比如：* + ？ {m,n}
非贪婪：满足重复条件即可，不向后匹配更多内容
贪婪 --》 非贪婪： *？ +？ ?? {m,n}?
In [115]: re.findall(r’a.+?b’,‘allowb abb acdeb’)
Out[115]: [‘allowb’, ‘abb’, ‘acdeb’]
六. 正则表达式分组
定义： 使用()可以为正则表达式建立内部分组，子组是正则表达式的一个内部整体。
作用：
-
可以被作为内部整体操作，改变元字符的操作对象
In [123]: re.search(r'(张|李)\w+','张三').group() Out[123]: '张三' -
匹配到内容时子组对应部分可以单独提取
re.search(r'(\w+)://\S+','http://www.baidu.com').group(1)Out[126]: ‘http’
捕获组（有名字的子组）
命名格式：(?Ppattern)
re.search(r'(?P<pig>ab)cdef','abcdef').group() Out[129]: 'abcdef'作用： 表达一定的含义，也可以通过名称获取捕获组内容
-
子组注意事项：
【1】 一个正则表达式中可以有多个子组
【2】 子组不要重叠或者过多嵌套
【3】 子组不会影响正则整体匹配的原则
【4】 子组从外到内，从左到右计数
-
六. 正则表达式匹配原则
1. 正确性，能够正确的匹配处目标字符串内容
2. 排他性，除了目标内容，尽可能不会匹配到其他内容
3. 全面性，尽可能做到对目标字符串考虑全面，不遗漏
七. python re模块
regex = compile(pattern,flags = 0)
功能：生成正则表达式对象
参数：pattern 正则表达式
flags 功能标识位，扩展正则表达式功能
返回值： 正则表达式对象
re.findall(pattern,string,flags = 0)
功能: 使用正则匹配目标字符串
参数：pattern 正则
string 目标字符串
返回值： 匹配内容列表，如果正则表达式有子组则只得到子组对应内容
regex.findall(string,pos,endpos)
功能: 使用正则匹配目标字符串
参数：string 目标字符串
pos 设置匹配目标字符串开始位置
endpos 设置匹配目标字符串结束位置
返回值： 匹配内容列表，如果正则表达式有子组则只得到子组对应内容
re.split(pattern,string,flags=0)
功能: 使用正则表达式匹配内容切割字符串
参数：pattern正则
string 目标字符串
返回值： 切割后的内容列表
re.sub(pattern,replace,string,max,flags)
功能: 使用指定字符串替换正则匹配到的内容
参数：pattern 正则
replace 指定字符串
string 目标字符串
max 最多匹配几处
返回值： 替换后的字符串
subn() 用法参数同sub 返回值多一个替换个数
re.finditer(pattern,string,flags)
功能: 使用正则表达式匹配目标内容
参数：pattern 正则
string 目标字符串
返回值： 匹配结果的迭代对象
re.fullmatch(pattern,string,flags)
功能：使用正则表达式完全匹配目标字符串
参数：pattern 正则
string 目标字符串
返回值： 匹配结果的match对象
re.match(pattern,string,flags)
功能：使用正则表达式匹配目标字符串开头
参数：pattern 正则
string 目标字符串
返回值： 匹配结果的match对象
re.search(pattern,string,flags)
功能：使用正则表达式匹配目标字符串第一处匹配内容
参数：pattern 正则
string 目标字符串
返回值： 匹配结果的match对象
regex对象属性变量
flags ： 标识位值
pattern ： 正则表达式
groups ： 子组数量
groupindex ： 捕获组名和组序号组成的字典
match对象的属性和方法
-
属性变量
pos 目标字符串开始位置
endpos 目标字符串结束位置
re 正则表达式
string 目标字符串
lastgroup 最后一组组名
lastindex 最后一组序号 -
属性方法
span() 获取匹配内容的起止位置
start() 获取匹配内容的开始位置
end() 获取匹配内容的终止位置
groups() 获取每个子组对应的内容
groupdict() 获取捕获组字典 组名为键，对应内容为值group(n = 0)
功能：获取match对象对应的内容
参数: 数字表示获取相应的子组匹配内容，默认表示全部匹 配内容
子组名称表示获取对应捕获组匹配内容
返回值：匹配的字符串
作业： 1. 熟练掌握正则表达式元字符
2. 将re模块调用函数使用regex对象操作练习
3. 找一个文档完成如下两个正则练习
* 匹配处文档中所有大写字母开头单词
* 匹配出所有数字，包含整数，小数，分数，百分数，负数 123 1.23 1/2 45% -1 -1.7
* 将所有日期格式 2018.7.12 改为2018-7-12
复习：
- 什么是正则表达式
- 元字符
- 正则表达式的转义，贪婪，分组
- 正则表达式匹配原则
- re模块使用
re模块调用
regex对象调用
match对象调用
flags 参数扩展
-
使用函数：re模块直接调用的函数
如：re.compile re.findall re.search… -
作用： 扩展丰富正则表达式匹配功能
-
常用标识位
A == ASCII 元字符只能匹配ascii字符
I == IGNORECASE 匹配时忽略字母的大小写
S == DOTALL 使 . 可以匹配换行
M == MULTILINE 使 ^ $ 可以匹配每一行的开头结尾位置
X == VERBOSE 为正则添加每行注释 -
使用多个flag
方法：使用按位或操作
e.g.： flags = re.I | re.M
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
