简介
正则表达式(regular expression)是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串,可以匹配其自身。比如,正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。进群:125240963 即可获取数十套PDF哦!
re 模块
在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。
私信小编007即可获取数十套PDF哦!
- 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象
- 通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象)
- 最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作
- compile 函数
compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:
match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。它的一般使用形式如下:
match(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。
在上面,当匹配成功时返回一个 Match 对象,其中:
- group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);
- start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;
- end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;
- span([group]) 方法返回 (start(group), end(group))。
search 方法
search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
findall 方法
上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。
看看例子:
import re
pattern = re.compile(r‘d+‘) # 查找数字
result1 = pattern.findall(‘hello 123456 789‘)
result2 = pattern.findall(‘one1two2three3four4‘, 0, 10)
print result1
print result2
执行结果:
[‘123456‘, ‘789‘]
[‘1‘, ‘2‘]
finditer 方法
finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。
split 方法
split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用于指定最大分割次数,不指定将全部分割。
看看例子:
- 如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;
- 如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
- count 用于指定最多替换次数,不指定时全部替换。
它返回一个元组:
(sub(repl, string[, count]), 替换次数)
元组有两个元素,第一个元素是使用 sub 方法的结果,第二个元素返回原字符串被替换的次数。
看看例子:
事实上,使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的,但在使用上有细微差别。
match 函数
match 函数的使用形式如下:
search 函数
search 函数的使用形式如下:
re.search(pattern, string[, flags])
search 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 search 方法类似。
findall 函数
findall 函数的使用形式如下:
re.findall(pattern, string[, flags])
findall 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 findall 方法类似。
看看例子:
import re
print re.findall(r‘d+‘, ‘hello 12345 789‘)
# 输出
[‘12345‘, ‘789‘]
finditer 函数
finditer 函数的使用方法跟 Pattern 的 finditer 方法类似,形式如下:
re.finditer(pattern, string[, flags])
split 函数
split 函数的使用形式如下:
re.split(pattern, string[, maxsplit])
sub 函数
sub 函数的使用形式如下:
re.sub(pattern, repl, string[, count])
subn 函数
subn 函数的使用形式如下:
re.subn(pattern, repl, string[, count])
到底用哪种方式
从上文可以看到,使用 re 模块有两种方式:
- 使用 re.compile 函数生成一个 Pattern 对象,然后使用 Pattern 对象的一系列方法对文本进行匹配查找;
- 直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找;
下面,我们用一个例子展示这两种方法。
先看第 1 种用法:
import re
# 将正则表达式先编译成 Pattern 对象
pattern = re.compile(r‘d+‘)
print pattern.match(‘123, 123‘)
print pattern.search(‘234, 234‘)
print pattern.findall(‘345, 345‘)
再看第 2 种用法:
import re
print re.match(r‘d+‘, ‘123, 123‘)
print re.search(r‘d+‘, ‘234, 234‘)
print re.findall(r‘d+‘, ‘345, 345‘)
如果一个正则表达式需要用到多次(比如上面的 d+),在多种场合经常需要被用到,出于效率的考虑,我们应该预先编译该正则表达式,生成一个 Pattern 对象,再使用该对象的一系列方法对需要匹配的文件进行匹配;而如果直接使用 re.match, re.search 等函数,每次传入一个正则表达式,它都会被编译一次,效率就会大打折扣。
因此,我们推荐使用第 1 种用法。
匹配中文
在某些情况下,我们想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围 主要在 [u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。
假设现在想把字符串 title = u‘你好,hello,世界‘ 中的中文提取出来,可以这么做:
# -*- coding: utf-8 -*-
import re
title = u‘你好,hello,世界‘
pattern = re.compile(ur‘[\u4e00-\u9fa5]+‘)
result = pattern.findall(title)
print result
注意到,我们在正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。
执行结果:
[u‘\u4f60\u597d‘, u‘\u4e16\u754c‘]
贪婪匹配
在 Python 中,正则匹配默认是贪婪匹配(在少数语言中可能是非贪婪),也就是匹配尽可能多的字符。
比如,我们想找出字符串中的所有 div 块:
import re
content = ‘aa<div>test1</div>bb<div>test2</div>cc‘
pattern = re.compile(r‘<div>.*</div>‘)
result = pattern.findall(content)
print result
执行结果:
[‘<div>test1</div>bb<div>test2</div>‘]
由于正则匹配是贪婪匹配,也就是尽可能多的匹配,因此,在成功匹配到第一个
时,它还会向右尝试匹配,查看是否还有更长的可以成功匹配的子串。
如果我们想非贪婪匹配,可以加一个 ?,如下:
import re
content = ‘aa<div>test1</div>bb<div>test2</div>cc‘
pattern = re.compile(r‘<div>.*?</div>‘) # 加上 ?
result = pattern.findall(content)
print result
结果:
[‘<div>test1</div>‘, ‘<div>test2</div>‘]
小结
- re 模块的一般使用步骤如下:
- 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象;
- 通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象);
- 最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作;
- Python 的正则匹配默认是贪婪匹配。
原文地址:https://www.cnblogs.com/Python1314/p/9416121.html