Python 正则表达式



Python 正则表达式

搞懂Python正则表达式的查找、匹配、替换等操作

正则表达式是一个特殊的字符序列,它能帮助你方便的检查一个字符串是否与某种模式匹配。正则表达式中的一些基本符号总结如下:

正则表达式基本符号

符号 解释 示例 说明
. 匹配任意字符 b.t 可以匹配bat / but / b#t / b1t等
\w 匹配字母/数字/下划线 b\wt 可以匹配bat / b1t / b_t等,但不能匹配b#t
\s 匹配空白字符(包括\r、\n、\t等) love\syou 可以匹配love you
\d 匹配数字 \d\d 可以匹配01 / 23 / 99等
\b 匹配单词的边界 \bThe\b
^ 匹配字符串的开始 ^The 可以匹配The开头的字符串
$ 匹配字符串的结束 .exe$ 可以匹配.exe结尾的字符串
\v 匹配一个垂直制表符。等价于 \x0b 和 \cK。
\W 匹配非字母/数字/下划线 b\Wt 可以匹配b#t / b@t等但不能匹配but / b1t / b_t等
\S 匹配非空白字符 love\Syou 可以匹配love#you等,但不能匹配love you
\D 匹配非数字 \d\D 可以匹配9a / 3# / 0F等
\B 匹配非单词边界 \Bio\B
[] 匹配来自字符集的任意单一字符 [aeiou] 可以匹配任一元音字母字符
[^] 匹配不在字符集中的任意单一字符 [^aeiou] 可以匹配任一非元音字母字符
* 匹配0次或多次 \w*
+ 匹配1次或多次 \w+
? 匹配0次或1次 \w?
{N} 匹配N次 \w{3}
{M,} 匹配至少M次 \w{3,}
{M,N} 匹配至少M次至多N次 \w{3,6}
| 分支 foo|bar 可以匹配foo或者bar
(?#) 注释
(exp) 匹配exp并捕获到自动命名的组中
(?

exp)
匹配exp并捕获到名为name的组中
(?:exp) 匹配exp但是不捕获匹配的文本
(?=exp) 匹配exp前面的位置 \b\w+(?=ing) 可以匹配I'm dancing中的danc
(?<=exp) 匹配exp后面的位置 (?<=\bdanc)\w+\b 可以匹配I love dancing and reading中的第一个ing
(?!exp) 匹配后面不是exp的位置
(?
匹配前面不是exp的位置
*? 重复任意次,但尽可能少重复 a.*b
a.*?b 将正则表达式应用于aabab,前者会匹配整个字符串aabab,后者会匹配aab和ab两个字符串
+? 重复1次或多次,但尽可能少重复
?? 重复0次或1次,但尽可能少重复
{M,N}? 重复M到N次,但尽可能少重复
{M,}? 重复M次以上,但尽可能少重复
\xn 匹配 n,其中 n 为十六进制转义值,十六进制转义值必须为确定的两个数字长。 例如,'\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ASCII 编码。
\num 匹配 num,其中 num 是一个正整数。 对所获取的匹配的引用。例如,'(.)\1' 匹配两个连续的相同字符。
\n 标识一个八进制转义值或一个向后引用。
\nm 标识一个八进制转义值或一个向后引用。 如果 \nm 之前至少有 nm 个获得子表达式,则 nm 为向后引用。
\nml 如果 n 为八进制数字 (0-3),且 m 和 l 均为八进制数字 (0-7),则匹配八进制转义值 nml。
\un 匹配 n,其中 n 是一个用四个十六进制数字表示的 Unicode 字符。 例如, \u00A9 匹配版权符号 (?)。
如果需要匹配的字符是正则表达式中的特殊字符,那么可以使用\进行转义处理,例如想匹配小数点可以写成\.就可以了,因为直接写.会匹配任意字符;同理,想匹配圆括号必须写成\(和\),否则圆括号被视为正则表达式中的分组。

Python对正则表达式的支持

Python提供了re模块来支持正则表达式相关操作,下面是re模块中的核心函数。
函数 说明
compile(pattern, flags=0) 编译正则表达式返回正则表达式对象
match(pattern, string, flags=0) 用正则表达式匹配字符串 成功返回匹配对象 否则返回None
search(pattern, string, flags=0) 搜索字符串中第一次出现正则表达式的模式 成功返回匹配对象 否则返回None
split(pattern, string, maxsplit=0, flags=0) 用正则表达式指定的模式分隔符拆分字符串 返回列表
sub(pattern, repl, string, count=0, flags=0) 用指定的字符串替换原字符串中与正则表达式匹配的模式 可以用count指定替换的次数
fullmatch(pattern, string, flags=0) match函数的完全匹配(从字符串开头到结尾)版本
findall(pattern, string, flags=0) 查找字符串所有与正则表达式匹配的模式 返回字符串的列表
finditer(pattern, string, flags=0) 查找字符串所有与正则表达式匹配的模式 返回一个迭代器
purge() 清除隐式编译的正则表达式的缓存
re.I / re.IGNORECASE 忽略大小写匹配标记
re.M / re.MULTILINE 多行匹配标记
上面提到的re模块中的这些函数,实际开发中也可以用正则表达式对象的方法替代对这些函数的使用,如果一个正则表达式需要重复的使用,那么先通过compile函数编译正则表达式并创建出正则表达式对象无疑是更为明智的选择。
Python 自1.5版本起增加了re 模块,它提供 Perl 风格的正则表达式模式。

re 模块使 Python 语言拥有全部的正则表达式功能。

compile 函数根据一个模式字符串和可选的标志参数生成一个正则表达式对象。该对象拥有一系列方法用于正则表达式匹配和替换。

re 模块也提供了与这些方法功能完全一致的函数,这些函数使用一个模式字符串做为它们的第一个参数。

下面我们通过一系列的例子来告诉大家在Python中如何使用正则表达式。

re.match函数

re.match 尝试从字符串的起始位置匹配一个模式,如果不是起始位置匹配成功的话,match()就返回none。

函数语法:
re.match(pattern, string, flags=0)

函数参数说明:
参数 描述
pattern 匹配的正则表达式
string 要匹配的字符串。
flags 标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等。
匹配成功re.match方法返回一个匹配的对象,否则返回None。

我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
匹配对象方法 描述
group(num=0) 匹配的整个表达式的字符串,group() 可以一次输入多个组号,在这种情况下它将返回一个包含那些组所对应值的元组。
groups() 返回一个包含所有小组字符串的元组,从 1 到 所含的小组号。
实例
 import re
# 在起始位置匹配
print(re.match('www', 'www.lidihuo.com').span())
# 不在起始位置匹配
print(re.match('com', 'www.lidihuo.com'))

执行结果:
(0, 3)
None

 import re
line = "Cats and dogs are animals"
# .* 表示任意匹配除换行符(\n、\r)之外的任何单个或多个字符
matchObj = re.match(r'(.*) and (.*?) .*', line, re.M|re.I)
if matchObj:
    print ("matchObj.group() : ", matchObj.group())
    print ("matchObj.group(1) : ", matchObj.group(1))
    print ("matchObj.group(2) : ", matchObj.group(2))
else:
    print ("No match!!")

执行结果:
matchObj.group() : Cats and dogs are animals
matchObj.group(1) : Cats
matchObj.group(2) : dogs

re.search方法

re.search 扫描整个字符串并返回第一个成功的匹配。

函数语法:
re.search(pattern, string, flags=0)
函数参数说明:
参数 描述
pattern 匹配的正则表达式
string 要匹配的字符串。
flags 标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等。参见:正则表达式修饰符 - 可选标志
匹配成功re.search方法返回一个匹配的对象,否则返回None。
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
匹配对象方法 描述
group(num=0) 匹配的整个表达式的字符串,group() 可以一次输入多个组号,在这种情况下它将返回一个包含那些组所对应值的元组。
groups() 返回一个包含所有小组字符串的元组,从 1 到 所含的小组号。
 import re
# 在起始位置匹配
print(re.search('www', 'www.lidihuo.com').span())
# 不在起始位置匹配
print(re.search('com', 'www.lidihuo.com').span())

执行结果:
(0, 3)
(12, 15)

 import re
line = "Cats and dogs are animals"
# .* 表示任意匹配除换行符(\n、\r)之外的任何单个或多个字符
matchObj = re.search(r'(.*) are (.*?) .*', line, re.M|re.I)
if matchObj:
    print ("matchObj.group() : ", matchObj.group())
    print ("matchObj.group(1) : ", matchObj.group(1))
    print ("matchObj.group(2) : ", matchObj.group(2))
else:
    print ("No found!!")

执行结果:
matchObj.group() : Cats and dogs are animals
matchObj.group(1) : Cats
matchObj.group(2) : dogs

re.match与re.search的区别

re.match 只匹配字符串的开始,如果字符串开始不符合正则表达式,则匹配失败,函数返回 None,而 re.search 匹配整个字符串,直到找到一个匹配。
 import re
line = "Cats and dogs are animals"
matchObj = re.match(r'animals', line, re.M|re.I)
if matchObj:
    print ("match -->matchObj.group() : ", matchObj.group())
else:
    print ("No found!!")

matchObj = re.search(r'dogs', line, re.M|re.I)
if matchObj:
    print ("search --> matchObj.group() :", matchObj.group())
else:
    print ("No match!!")

执行结果:
No found!!
search --> matchObj.group() : dogs

检索和替换

Python 的re模块提供了re.sub用于替换字符串中的匹配项。

语法:
 re.sub(pattern, repl, string, count=0, flags=0) 

参数:

pattern : 正则中的模式字符串。
repl : 替换的字符串,也可为一个函数。
string : 要被查找替换的原始字符串。
count : 模式匹配后替换的最大次数,默认 0 表示替换所有的匹配。
flags : 编译时用的匹配模式,数字形式。

前三个为必选参数,后两个为可选参数。
实例
 import re
phone = "2004-959-559 # 这是一个电话号码"
# 删除注释
num = re.sub(r'#.*$', "", phone)
print ("电话号码 : ", num)
# 移除非数字的内容
num = re.sub(r'\D', "", phone)
print ("电话号码 : ", num)

执行结果:
电话号码 : 2004-959-559
电话号码 : 2004959559

repl 参数是一个函数

以下实例中将字符串中的匹配的数字乘于 2:
 import re
# 将匹配的数字乘于 2
def double(matched):
    value = int(matched.group('value'))
    return str(value * 2)

s = 'A23G4HFD567'
print (re.sub('(?P<value>\d+)', double, s))

执行结果:
A46G8HFD1134

compile 函数

compile 函数用于编译正则表达式,生成一个正则表达式( Pattern )对象,供 match() 和 search() 这两个函数使用。

语法格式为:
re.compile(pattern[, flags])

参数:

pattern : 一个字符串形式的正则表达式
flags 可选,表示匹配模式,比如忽略大小写,多行模式等,具体参数为:
re.I 忽略大小写
re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.M 多行模式
re.S 即为' . '并且包括换行符在内的任意字符(' . '不包括换行符)
re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
re.X 为了增加可读性,忽略空格和' # '后面的注释

 import re

pattern = re.compile(r'\d+')
m = pattern.match('one12twothree34four')
print (m)

m = pattern.match('one12twothree34four', 2, 10)
print (m)

m = pattern.match('one12twothree34four', 3, 10)
print ('m.group(0): ',m.group(0))
print ('m.start(0):',m.start(0))
print ('m.end(0):',m.end(0))
print ('m.span(0):',m.span(0))

执行结果:
None
None
m.group(0): 12
m.start(0): 3
m.end(0): 5
m.span(0): (3, 5)

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))。

再看看一个例子:
 import re

pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)
m = pattern.match('Hello World Lidihuo')
print (m)

print ('m.group(0): ',m.group(0))
print ('m.group(1): ',m.group(1))
print ('m.group(2): ',m.group(2))
print ('m.groups(): ',m.groups())
print ('m.span(1):',m.span(1))
print ('m.span(2):',m.span(2))
print ('m.group(3): ',m.group(3))

执行结果:
m.group(0): Hello World
m.group(1): Hello
m.group(2): World
m.groups(): ('Hello', 'World')
m.span(1): (0, 5)
m.span(2): (6, 11)
print ('m.group(3): ',m.group(3))
IndexError: no such group

findall

在字符串中找到正则表达式所匹配的所有子串,并返回一个列表,如果没有找到匹配的,则返回空列表。

注意: match 和 search 是匹配一次 findall 匹配所有。
语法格式为:
 re.findall(string[, pos[, endpos]]) 

参数:

string 待匹配的字符串。
pos 可选参数,指定字符串的起始位置,默认为 0。
endpos 可选参数,指定字符串的结束位置,默认为字符串的长度。

查找字符串中的所有数字:
 import re

pattern = re.compile(r'\d+')
ret1 = pattern.findall('lidihuo web site')
ret2 = pattern.findall('rlidhuo88wer123baidu456', 0, 10)
print (ret1)
print (ret2)

执行结果:
['908', '12']
['88']

re.finditer

和 findall 类似,在字符串中找到正则表达式所匹配的所有子串,并把它们作为一个迭代器返回。
语法格式为:
 re.finditer(pattern, string, flags=0) 

参数:
参数 描述
pattern 匹配的正则表达式
string 要匹配的字符串。
flags 标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等。
 import re

it = re.finditer(r"\d+","12a32bc43jf3")
for match in it:
    print (match.group())

执行结果:
12
32
43
3

re.split

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:
语法格式为:
 re.split(pattern, string[, maxsplit=0, flags=0]) 

参数:
参数 描述
pattern 匹配的正则表达式
string 要匹配的字符串。
maxsplit 分隔次数,maxsplit=1 分隔一次,默认为 0,不限制次数。
flags 标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等。
 import re

print(re.split('\W+', 'lidihuo, lidihuo, lidihuo.'))
print(re.split('(\W+)', 'lidihuo, lidihuo, lidihuo.'))
print(re.split('\W+', 'lidihuo, lidihuo, lidihuo.',1))
print(re.split('a*', 'hello world'))

执行结果:
['lidihuo', 'lidihuo', 'lidihuo', '']
['lidihuo', ', ', 'lidihuo', ', ', 'lidihuo', '.', '']
['lidihuo', 'lidihuo, lidihuo.']
['', 'h', 'e', 'l', 'l', 'o', ' ', 'w', 'o', 'r', 'l', 'd', '']