一、正则re
1.正则表达式定义
正则就是用一些具有特殊含义的符号组合到一起（称为正则表达式）来描述字符或者字符串的方法。或者说：正则就是用来描述一类事物的规则。（在Python中）它内嵌在Python中，并通过 re 模块实现。正则表达式模式被编译成一系列的字节码，然后由用 C 编写的匹配引擎执行。
2.常用的正则表达式
3.贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。
4.反斜杠
与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\"表示。同样，匹配一个数字的"\\d"可以写成r"\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
5.re模块
Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。
Match
Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
属性：
- string: 匹配时使用的文本。
- re: 匹配时使用的Pattern对象。
- pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
- lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。
方法：
- group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
- groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
- groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
- start([group]):
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
- end([group]):
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
- span([group]):
返回(start(group), end(group))。
- expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符‘0‘，只能使用\g<1>0。
例：
import re
m = re.match(r‘(\w+) (\w+)(?P<sign>.*)‘, ‘hello world!‘)
print("m.string:", m.string)
print("m.re:", m.re)
print("m.pos:", m.pos)
print("m.endpos:", m.endpos)
print("m.lastindex:", m.lastindex)
print("m.lastgroup:", m.lastgroup)
print("m.group(1,2):", m.group(1, 2))
print("m.groups():", m.groups())
print("m.groupdict():", m.groupdict())
print("m.start(2):", m.start(2))
print("m.end(2):", m.end(2))
print("m.span(2):", m.span(2))
print(r"m.expand(r‘\2 \1\3‘):", m.expand(r‘\2 \1\3‘))
输出
m.string: hello world!
m.re: re.compile(‘(\\w+) (\\w+)(?P<sign>.*)‘)
m.pos: 0
m.endpos: 12
m.lastindex: 3
m.lastgroup: sign
m.group(1,2): (‘hello‘, ‘world‘)
m.groups(): (‘hello‘, ‘world‘, ‘!‘)
m.groupdict(): {‘sign‘: ‘!‘}
m.start(2): 6
m.end(2): 11
m.span(2): (6, 11)
m.expand(r‘\2 \1\3‘): world hello!
Pattern
Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息：
- pattern: 编译时用的表达式字符串。
- flags: 编译时用的匹配模式。数字形式。
- groups: 表达式中分组的数量。
- groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
例：
import re
p = re.compile(r‘(\w+) (\w+)(?P<sign>.*)‘, re.DOTALL)
print("p.pattern:", p.pattern)
print("p.flags:", p.flags)
print("p.groups:", p.groups)
print("p.groupindex:", p.groupindex)
输出
p.pattern: (\w+) (\w+)(?P<sign>.*)
p.flags: 48
p.groups: 3
p.groupindex: {‘sign‘: 3}
实例方法[ | re模块方法]：
- match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符‘$‘。
示例参见2.1小节。
- search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r‘world‘)
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
# 这个例子中使用match()无法成功匹配
match = pattern.search(‘hello world!‘)
if match:
# 使用Match获得分组信息
print(match.group())
输出
world
- split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。
import re p = re.compile(r‘\d+‘) print(p.split(‘one1two2three3four4‘))
输出
[‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘‘]
- findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。
import re p = re.compile(r‘\d+‘) print(p.findall(‘one1two2three3four4‘))
输出
[‘1‘, ‘2‘, ‘3‘, ‘4‘]
- finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
import re
p = re.compile(r‘\d+‘)
for m in p.finditer(‘one1two2three3four4‘):
print(m.group(),)
输出
1 2 3 4
- sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。
当repl是一个方法时，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。
import re
p = re.compile(r‘(\w+) (\w+)‘)
s = ‘i say, hello world!‘
print(p.sub(r‘\2 \1‘, s))
def func(m):
return m.group(1).title() + ‘ ‘ + m.group(2).title()
print(p.sub(func, s))
输出
say i, world hello! I Say, Hello World!
- subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
import re
p = re.compile(r‘(\w+) (\w+)‘)
s = ‘i say, hello world!‘
print(p.subn(r‘\2 \1‘, s))
def func(m):
return m.group(1).title() + ‘ ‘ + m.group(2).title()
print(p.subn(func, s))
(‘say i, world hello!‘, 2) (‘I Say, Hello World!‘, 2)
- re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符‘|‘表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile(‘pattern‘, re.I | re.M)与re.compile(‘(?im)pattern‘)是等价的。
可选值有：
- re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
- M(MULTILINE): 多行模式，改变‘^‘和‘$‘的行为（参见上图）
- S(DOTALL): 点任意匹配模式，改变‘.‘的行为
- L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
- U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
- X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：
a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")
re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：
m = re.match(r‘hello‘, ‘hello world!‘) print(m.group())
re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。
6.举例常用的匹配方式
- \w与\W
import re print(re.findall(‘\w‘,‘hello hexin 123‘)) print(re.findall(‘\W‘,‘hello hexin 123‘))
输出
[‘h‘, ‘e‘, ‘l‘, ‘l‘, ‘o‘, ‘h‘, ‘e‘, ‘x‘, ‘i‘, ‘n‘, ‘1‘, ‘2‘, ‘3‘] [‘ ‘, ‘ ‘]
- \s与\S
import re print(re.findall(‘\s‘,‘hello hexin 123‘)) print(re.findall(‘\S‘,‘hello hexin 123‘))
输出
[‘ ‘, ‘ ‘, ‘ ‘, ‘ ‘] [‘h‘, ‘e‘, ‘l‘, ‘l‘, ‘o‘, ‘h‘, ‘e‘, ‘x‘, ‘i‘, ‘n‘, ‘1‘, ‘2‘, ‘3‘]
- \d与\D
import re print(re.findall(‘\d‘,‘hello hexin 123‘)) print(re.findall(‘\D‘,‘hello hexin 123‘))
输出
[‘1‘, ‘2‘, ‘3‘] [‘h‘, ‘e‘, ‘l‘, ‘l‘, ‘o‘, ‘ ‘, ‘h‘, ‘e‘, ‘x‘, ‘i‘, ‘n‘, ‘ ‘]
- \A与\Z
import re print(re.findall(‘\Ahe‘,‘hello hexin 123‘)) print(re.findall(‘123\Z‘,‘hello hexin 123‘))
输出
[‘he‘] [‘123‘]
- \n与\t
import re print(re.findall(r‘\n‘,‘hello hexin \n123‘)) print(re.findall(r‘\t‘,‘hello heixn \t123‘))
输出
[‘\n‘] [‘\t‘]
- ^与$
import re print(re.findall(‘^h‘,‘hello hexin 123‘)) print(re.findall(‘3$‘,‘hello hexin 123‘))
输出
[‘h‘] [‘3‘]
- 重复匹配：| . | * | ? | .* | .*? | + | {n,m} |
print(re.findall(‘a.b‘,‘a1b‘)) print(re.findall(‘a.b‘,‘a\nb‘)) print(re.findall(‘a.b‘,‘a\nb‘,re.S)) print(re.findall(‘a.b‘,‘a\nb‘,re.DOTALL))
输出
[‘a1b‘] [] [‘a\nb‘] [‘a\nb‘]
- *
import re print(re.findall(‘ab*‘,‘bbbbbbb‘)) print(re.findall(‘ab*‘,‘a‘))
输出
[] [‘a‘]
- ？
import re print(re.findall(‘ab?‘,‘a‘)) print(re.findall(‘ab?‘,‘abbb‘))
输出
[‘a‘] [‘ab‘]
- 匹配所有包含小数在内的数字
import re print(re.findall(‘\d+\.?\d*‘,"asdfasdf123as1.13dfa12adsf1asdf3"))
输出
[‘123‘, ‘1.13‘, ‘12‘, ‘1‘, ‘3‘]
- .*默认为贪婪匹配
print(re.findall(‘a.*b‘,‘a1b22222222b‘))
输出
[‘a1b22222222b‘]
- .*?为非贪婪匹配
import re print(re.findall(‘a.*?b‘,‘a1b22222222b‘))
输出
[‘a1b‘]
- +
import re print(re.findall(‘ab+‘,‘a‘)) print(re.findall(‘ab+‘,‘abbb‘))
输出
[] [‘abbb‘]
- {n,m}
import re
print(re.findall(‘ab{2}‘,‘abbb‘))
print(re.findall(‘ab{2,4}‘,‘abbb‘))
print(re.findall(‘ab{1,}‘,‘abbb‘))
print(re.findall(‘ab{0,}‘,‘abbb‘))
输出
[‘abb‘] [‘abbb‘] [‘abbb‘] [‘abbb‘]
- []
import re print(re.findall(‘a[1*-]b‘,‘a1b a*b a-b‘)) #[]内的都为普通字符了，且如果-没有被转意的话，应该放到[]的开头或结尾 print(re.findall(‘a[^1*-]b‘,‘a1b a*b a-b a=b‘)) #[]内的^代表的意思是取反 print(re.findall(‘a[0-9]b‘,‘a1b a*b a-b a=b‘)) #[]内的^代表的意思是取反 print(re.findall(‘a[a-z]b‘,‘a1b a*b a-b a=b aeb‘)) #[]内的^代表的意思是取反 print(re.findall(‘a[a-zA-Z]b‘,‘a1b a*b a-b a=b aeb aEb‘)) #[]内的^代表的意思是取反
输出
[‘a1b‘, ‘a*b‘, ‘a-b‘] [‘a=b‘] [‘a1b‘] [‘aeb‘] [‘aeb‘, ‘aEb‘]
- ()
import re print(re.findall(‘ab+‘,‘ababab123‘)) print(re.findall(‘(ab)+123‘,‘ababab123‘)) #匹配到末尾的ab123中的ab print(re.findall(‘(?:ab)+123‘,‘ababab123‘)) #findall的结果不是匹配的全部内容，而是组内的内容,?:可以让结果为匹配的全部内容
输出
[‘ab‘, ‘ab‘, ‘ab‘] [‘ab‘] [‘ababab123‘]
- \
print(re.findall(‘a\\c‘,‘a\c‘)) #对于正则来说a\\c确实可以匹配到a\c,但是在python解释器读取a\\c时，会发生转义，然后交给re去执行，所以抛出异常 print(re.findall(r‘a\\c‘,‘a\c‘)) #r代表告诉解释器使用rawstring，即原生字符串，把我们正则内的所有符号都当普通字符处理，不要转义 print(re.findall(‘a\\\\c‘,‘a\c‘)) #同上面的意思一样，和上面的结果一样都是[‘a\\c‘]
输出
[] [‘a\\c‘] [‘a\\c‘]
- |
import re
print(re.findall(‘compan(y|ies)‘,‘Too many companies have gone bankrupt, and the next one is my company‘)) print(re.findall(‘compan(?:y|ies)‘,‘Too many companies have gone bankrupt, and the next one is my company‘)) #(?:)匹配完整
输出
[‘ies‘, ‘y‘][‘companies‘, ‘company‘]
补充：
数字匹配
import re print(re.findall(r‘-?\d+\.?\d*‘,"1-12*(60+(-40.35/5)-(-4*3))")) #找出所有数字[‘1‘, ‘-12‘, ‘60‘, ‘-40.35‘, ‘5‘, ‘-4‘, ‘3‘] #使用|，先匹配的先生效，|左边是匹配小数，而findall最终结果是查看分组，所有即使匹配成功小数也不会存入结果 #而不是小数时，就去匹配(-?\d+)，匹配到的自然就是，非小数的数，在此处即整数 print(re.findall(r"-?\d+\.\d*|(-?\d+)","1-2*(60+(-40.35/5)-(-4*3))")) #找出所有整数[‘1‘, ‘-2‘, ‘60‘, ‘‘, ‘5‘, ‘-4‘, ‘3‘]
总结:
尽量使用泛匹配模式.*
尽量使用非贪婪模式:.*?
使用括号得到匹配目标:用group(n)去取得结果
有换行符就用re.S:修改模式
模块简单使用
import re
#1
print(re.findall(‘e‘,‘he make love‘) ) #[‘e‘, ‘e‘, ‘e‘],返回所有满足匹配条件的结果,放在列表里
#2
print(re.search(‘e‘,‘he make love‘).group()) #e,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None。
#3
print(re.match(‘e‘,‘he make love‘)) #None,同search,不过在字符串开始处进行匹配,完全可以用search+^代替match
#4
print(re.split(‘[ab]‘,‘abcd‘)) #[‘‘, ‘‘, ‘cd‘]，先按‘a‘分割得到‘‘和‘bcd‘,再对‘‘和‘bcd‘分别按‘b‘分割
#5
print(‘===>‘,re.sub(‘a‘,‘A‘,‘he make love‘)) #===> he mAke love，不指定n，默认替换所有
print(‘===>‘,re.sub(‘a‘,‘A‘,‘he make love‘,1)) #===> he mAke love
print(‘===>‘,re.sub(‘a‘,‘A‘,‘he make love‘,2)) #===> he mAke love
print(‘===>‘,re.sub(‘^(\w+)(.*?\s)(\w+)(.*?\s)(\w+)(.*?)$‘,r‘\5\2\3\4\1‘,‘he make love‘)) #===> love make he
print(‘===>‘,re.subn(‘a‘,‘A‘,‘he make love‘)) #===> (‘he mAke love‘, 2),结果带有总共替换的个数
#6
obj=re.compile(‘\d{2}‘)
print(obj.search(‘abc123eeee‘).group()) #12
print(obj.findall(‘abc123eeee‘)) #[‘12‘],重用了obj
输出
[‘e‘, ‘e‘, ‘e‘] e None [‘‘, ‘‘, ‘cd‘] ===> he mAke love ===> he mAke love ===> he mAke love ===> love make he ===> (‘he mAke love‘, 1) 12 [‘12‘]