re正则模块
一、概述
就其本质而言,正则表达式(或 RE)是一种小型的、高度专业化的编程语言,要讲他的具体用法要讲一本书!它内嵌在Python中,并通过 re 模块实现。你可以为想要匹配的相应字符串集指定规则;该字符串集可能包含英文语句、e-mail地址、TeX命令或任何你想搞定的东西。然后你可以问诸如“这个字符串匹配该模式吗?”或“在这个字符串中是否有部分匹配该模式呢?”。你也可以使用 RE 以各种方式来修改或分割字符串。今天就来讲讲re模块的最常用的用法。
二、常用的正在表达式符号
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
'.' 默认匹配除\n之外的任意一个字符,若指定flag DOTALL,则匹配任意字符,包括换行
'^' 匹配字符开头,若指定flags MULTILINE,这种也可以匹配上(r "^a" , "\nabc\neee" ,flags = re.MULTILINE)
'$' 匹配字符结尾,或e.search( "foo$" , "bfoo\nsdfsf" ,flags = re.MULTILINE).group()也可以
'*' 匹配 * 号前的字符 0 次或多次,re.findall( "ab*" , "cabb3abcbbac" ) 结果为[ 'abb' , 'ab' , 'a' ]
'+' 匹配前一个字符 1 次或多次,re.findall( "ab+" , "ab+cd+abb+bba" ) 结果[ 'ab' , 'abb' ]
'?' 匹配前一个字符 1 次或 0 次
'{m}' 匹配前一个字符m次
'{n,m}' 匹配前一个字符n到m次,re.findall( "ab{1,3}" , "abb abc abbcbbb" ) 结果 'abb' , 'ab' , 'abb' ]
'|' 匹配|左或|右的字符,re.search( "abc|ABC" , "ABCBabcCD" ).group() 结果 'ABC'
'(...)'
分组匹配 re.search( "(?P<province>\d{4})(?P<city>\d{2})(?P<birthday>\d{4})" , "320922199306143242" ).groupdict(
)
结果:{ 'province' : '3209' , 'city' : '22' , 'birthday' : '1993' }
'\' 转义 [a - z] 匹配[a - z]
[A - Z] 匹配[A - Z]
[ 0 - 9 ] 匹配数字 0 - 9
'\A' 只从字符开头匹配,re.search( "\Aabc" , "alexabc" ) 是匹配不到的
'\Z' 匹配字符结尾,同$
'\d' 匹配数字 0 - 9
'\D' 匹配非数字
'\w' 匹配[A - Za - z0 - 9 ]
'\W' 匹配非[A - Za - z0 - 9 ]
's' 匹配空白字符、\t、\n、\r , re.search( "\s+" , "ab\tc1\n3" ).group() 结果 '\t'
|
三、常用的匹配方法
1、re.match(pattern, string, flags=0)
说明:在string的开始处匹配模式
2、re.search(pattern, string, flags=0)
说明:在string中寻找模式
3、re.findall(pattern, string, flags=0)
说明:把匹配到的字符以列表的形式返回
4、re.split(pattern, string, maxsplit=0, flags=0)
说明:匹配到的字符被当做列表分割符
5、re.sub(pattern, repl, string, count=0, flags=0)
说明:匹配字符并替换
四、常用方法
1、group([group1, ...])
说明: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。
2、groups(default=None)
说明: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。这个要跟分组匹配结合起来使用'(...)'
3、groupdict(default=None)
说明: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。这个是跟另外一个分组匹配结合起来用的:
4、span([group])
说明:返回(start(group), end(group))
5、start([group])
说明: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。
6、end([group])
说明: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。
7、compile(pattern[, flags])
说明:根据包含正则表达式的字符串创建模式对象
五、反斜杠的困扰
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。
六、其他匹配模式
1、re.I(re.IGNORECASE
)
说明:忽略大小写(括号内是完整的写法,下同)
1
2
3
4
|
>>> import re
>>> a = re.search( 'addr' , "inet Addr:10.161.146.134" ,flags = re.I)
>>> a.group() 'Addr' #忽略大小写
|
2、re.M(MULTILINE
)
说明:多行模式,改变'^'和'$'的行为,详细请见第2点
1
2
3
4
|
>>> import re
>>> a = re.search( '^a' , "inet\naddr:10.161.146.134" ,flags = re.M)
>>> a.group() 'a' |
3、re.S(DOTALL
)
说明:点任意匹配模式,改变'.'的行为
1
2
3
4
|
>>> import re
>>> a = re.search( '.+' , "inet\naddr:10.161.146.134" ,flags = re.S)
>>> a.group() 'inet\naddr:10.161.146.134' |
注意:上面这三种匹配模式,知道就行。
七、总结
1、用r''的方式表示的字符串叫做raw字符串,用于抑制转义。
2、正则表达式使用反斜杆(\)来转义特殊字符,使其可以匹配字符本身,而不是指定其他特殊的含义。
3、这可能会和python字面意义上的字符串转义相冲突,这也许有些令人费解,比如,要匹配一个反斜杆本身,你也许要用'\\\\'来做为正则表达式的字符串,而字符串里,每个反斜杆都要写成\\。
4、你也可以在字符串前加上 r 这个前缀来避免部分疑惑,因为 r 开头的python字符串是 raw 字符串,所以里面的所有字符都不会被转义,比如r'\n'这个字符串就是一个反斜杆加上一字母n,而'\n'我们知道这是个换行符。因此,上面的'\\\\'你也可以写成r'\\',这样,应该就好理解很多了。