正则表达式

  字符串是编程时涉及到的最多的一种数据结构,对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址,虽然可以编程提取@前后的子串,再分别判断是否是单词和域名,但这样做不但麻烦,而且代码难以复用。

  正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,我们就认为它“匹配”了,否则,该字符串就是不合法的。

什么是正则表达式

  正则表达式是由普通字符(例如字符 a 到 z)以及特殊字符(称为"元字符")组成的文字模式。模式描述在搜索文本时要匹配的一个或多个字符串。正则表达式作为一个模板,将某个字符模式与所搜索的字符串进行匹配。

正则表达式的特殊字符

  正则表达式提供的特殊字符有很多,根据功能来分主要有以下几类。

非打印字符

非打印字符也可以是正则表达式的组成部分。下表列出了表示非打印字符的转义序列:

字符 描述
\cx 匹配由x指明的控制字符。例如, \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的 'c' 字符。
\f 匹配一个换页符。等价于 \x0c 和 \cL。
\n 匹配一个换行符。等价于 \x0a 和 \cJ。
\r 匹配一个回车符。等价于 \x0d 和 \cM。
\s 匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S 匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t 匹配一个制表符。等价于 \x09 和 \cI。
\v 匹配一个垂直制表符。等价于 \x0b 和 \cK。

特殊字符

所谓特殊字符,就是一些有特殊含义的字符,简单的说就是表示任何字符串的意思。如果要查找字符串中的 * 符号,则需要对 * 进行转义。

许多元字符要求在试图匹配它们时特别对待。若要匹配这些特殊字符,必须首先使字符"转义",即,将反斜杠字符\ 放在它们前面。下表列出了正则表达式中的特殊字符:

特别字符 描述
$ 匹配输入字符串的结尾位置。如果设置了 RegExp 对象的 Multiline 属性,则 $ 也匹配 '\n' 或 '\r'。要匹配 $ 字符本身,请使用 \$。
( ) 标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符,请使用 \( 和 \)。
* 匹配前面的子表达式零次或多次。要匹配 * 字符,请使用 \*。
+ 匹配前面的子表达式一次或多次。要匹配 + 字符,请使用 \+。
. 匹配除换行符 \n 之外的任何单字符。要匹配 . ,请使用 \. 。
[ 标记一个中括号表达式的开始。要匹配 [,请使用 \[。
? 匹配前面的子表达式零次或一次,或指明一个非贪婪限定符。要匹配 ? 字符,请使用 \?。
\ 将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如, 'n' 匹配字符 'n'。'\n' 匹配换行符。序列 '\\' 匹配 "\",而 '\(' 则匹配 "("。
^ 匹配输入字符串的开始位置,除非在方括号表达式中使用,此时它表示不接受该字符集合。要匹配 ^ 字符本身,请使用 \^。
{ 标记限定符表达式的开始。要匹配 {,请使用 \{。
| 指明两项之间的一个选择。要匹配 |,请使用 \|。

限定符

限定符用来指定正则表达式的一个给定组件必须要出现多少次才能满足匹配。有 * 或 + 或 ? 或 {n} 或 {n,} 或 {n,m} 共6种。

正则表达式的限定符有:

字符 描述
* 匹配前面的子表达式零次或多次。例如,ldx* 能匹配 "ldx" 以及 "ldxx"。* 等价于{0,}。
+ 匹配前面的子表达式一次或多次。例如,'ldx+' 能匹配 "ldx" 以及 "ldxx",但不能匹配 "ld"。+ 等价于 {1,}。
? 匹配前面的子表达式零次或一次。例如,"do(es)?" 可以匹配 "do" 或 "does" 中的 "does" 或 "doxy" 中的 "do" 。? 等价于 {0,1}。
{n} n 是一个非负整数。匹配确定的 n 次。例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的两个 o。
{n,} n 是一个非负整数。至少匹配n 次。例如,'o{2,}' 不能匹配 "Bob" 中的 'o',但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m} m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。例如,"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。

re模块的使用

re.findall(expression,val)

  从val的左边进行查找,查找所有expression匹配到的字符串,并用list进行存储

# 例子:匹配所有的数字
s = '1-2*(60+(-40.35/5.3+1.2)-(-4*3))'
num = re.findall('\-?\d+\.?\d*',s)  #会匹配所有数字,包涵正负数,小数等

# 扩展
re.findall(r'\-?\d+\.\d+|(\-?\d+)','1-2*(60+(-40.35/5.3+1.2)-(-4*3))')
# 由于使用了(),既只显示()里面匹配到的元素,既只匹配到了正负整数

re.search(expression,val)
  从value的左边进行查找,查找匹配expression的对象,找到1个既返回,找到则返回SRE对象,找不到就返回None,通过对象的.group()方法读取匹配到的信息

# 例子:匹配数字
s = '1-2*(60+(-40.35/5.3+1.2)-(-4*3))'
num = re.search('\-?\d+\.?\d*',s).group()  # 会匹配到第一个数字1,
# 扩展:re.search('exp1|exp2',val) 同时拿着exp1,exp2去val中匹配,满足任意一个,则返回
s = '1.3-2*(60+(-40.35/5.3+1.2)-(-4*3))'
num = re.search('\-?\d+\.\d+|\-?\d+',s).group()  # 匹配正负整数或者正负小数,任意一个匹配到则返回

re.match(expression,val)
  从value开头开始找,匹配则返回SRE对象,不匹配就返回None,功能类似于 ^

# 例子:匹配a
s = 'daxin like Linux'
match = re.match('a',s)  # 返回None,  re.match('d',s)则返回d

sre对象.group()
  对表达式进行分组

re.search('da(x)in mak(e)','daxin make love').group()  # 结果类似于findall里面的 ?: ,如果 group(1),则会匹配到底一个()里面的e,group(2),则会匹配到第二个()里面的e。
# group(int) int 表示匹配到的第几个括号的内容,如果不指定,则显示所有匹配到字符串
# 例子:
re.search('da(x)in mak(e)','daxin make love').group()  # 结果:daxin make
re.search('da(x)in mak(e)','daxin make love').group(1)  # 结果: e

re.split(expression,val)
  把val按照expression进行分割,支持按照正则表达式进行分割,返回list

# 例子:针对数字进行分隔
s = r'9+63+2-(12*2)/9'
list1 = re.split('[0-9]',s) #结果:['', '+', '', '+', '-(', '', '*', ')/', '']

re.sub('sub1','sub2',string)

  把字符串中的sub1,替换为sub2

# 例子:
s = r'1.3-2*(60+(-40.35/5.3+1.2)-(-4*3))'
match = re.sub('-','A',s) #把-号,替换为A

# 扩展:
re.sub('(\w+)(\s)(\w+)(\s)(\w)$',r'\5\2\3\4\1','daxin make love')
字符串换位,后面的数字表示前面括号匹配到的字符串,类似于Linxu下的sed命令

re.compile(regex)

  把正则表达式regex进行编译,编程表达式对象,然后可以传给其他模块(re.search,re.match)来当作匹配规则来进行匹配。

import re
s = 'abcde fgh'
regex = re.compile('abc\S')

result = re.match(regex,s).group()

print(result)

注意:对正则表达式进行编译虽然不是必须的,但是编译后会对执行速度有很大的好处,所以:如果一个正则表达式会在多个地方调用,那么最好编译成对象,但如果只用一次,那么编译不编译都可以。

扩展

?P

  ?P表示对匹配到字符串对象进行命名(在很多地方都可以使用,非常方便)。格式如下:

# ?P编写格式
(?P<tagname>正则表达式) 

# 符合正则表达式匹配到的数据命名为 tagname

示例: 

import re
s = 'abcde fgh'
regex = re.compile('(?P<regex>abc\S)(\w*)(.*)')

result = re.match(regex,s).group('regex')    # 命名后,可以使用group直接过滤关键字来获取匹配到的结果
result1 = re.match(regex,s).group(1)     # 这里和regex匹配到的数据是相同的
result2 = re.match(regex,s).group(2)
result3 = re.match(regex,s).group(3)

print(result)
print(result1)
print(result2)
print(result3)

  

备份一个好用的正则表达式网站:https://regex101.com/