python正则详解

正则表达式概述

正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思，Regular Expression即“描述某种规则的表达式”之意。

re模块操作

     # 导入re模块

     import re

     # 使用match方法进行匹配操作

     result = re.match(正则表达式,要匹配的字符串)

     # 如果上一步匹配到数据的话，可以使用group方法来提取数据

     result.group()

re.match是用来进行正则匹配检查的方法，若字符串匹配正则表达式，则match方法返回匹配对象（Match Object），否则返回None（注意不是空字符串""）。

匹配对象Macth Object具有group方法，用来返回字符串的匹配部分。

如匹配以abc开始的字符：

 import re

 ret=re.match('abc','abckok')

 print(ret.group())

 #结果：

 #abc

表示字符

字符	功能
.	匹配任意1个字符（除了\n）
[ ]	匹配[ ]中列举的字符
\d	匹配数字，即0-9
\D	匹配非数字，即不是数字
\s	匹配空白，即空格，tab键
\S	匹配非空白
\w	匹配单词字符，即a-z、A-Z、0-9、_
\W	匹配非单词字符

如：“a1d45d” 匹配出a1

 import re

 ret=re.match('\w\d','a1d45d')

 print(ret.group())

 #结果：

 #a1

关于转义

在正则表达式中，有很多有特殊意义的是元字符，比如\d和\s等，如果要在正则中匹配正常的"\d"而不是"数字"就需要对"\"进行转义，变成'\\'。

在python中，无论是正则表达式，还是待匹配的内容，都是以字符串的形式出现的，在字符串中\也有特殊的含义，本身还需要转义。所以如果匹配一次"\d",字符串中要写成'\\d'，那么正则里就要写成"\\\\d",这样就太麻烦了。这个时候我们就用到了r'\d'这个概念，此时的正则是r'\\d'就可以了。

如：

 import re

 ret=re.match(r'c:\\',"c:\\user\\")

 print(ret.group())

 #结果：

 #c:\

表示数量

如果要匹配多个数字，用re.match(r'\d\d\d\d\d\d\d\d\d',"11111111111abc"),这种写法会把人折磨死，re模块对数量也有相应的规则

匹配多个字符的相关格式

字符	功能
*	匹配前一个字符出现0次或者无限次，即可有可无
+	匹配前一个字符出现1次或者无限次，即至少有1次
？	匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{m}	匹配前一个字符出现m次
{m,}	匹配前一个字符至少出现m次
{m,n}	匹配前一个字符出现从m到n次

示例1：匹配出，一个字符串第一个字母为大写字母，后面都是小写字母并且这些小写字母可有可无

 import re

 ret=re.match(r'[A-Z][a-z]*',"Asdasdd12155")

 print(ret.group())

 #结果：

 #Asdasdd

示例2：匹配出变量名是否有效

 import re

 ret=re.match(r'[A-Za-z_]+[\w]*',"_func")

 print(ret.group())

 #结果：

 #_func

示例3：匹配出0-99间的数字

 import re

 ret=re.match(r'[1-9]?[0-9]?',"")

 print(ret.group())

 #结果：

 #

示例4：匹配出，8到20位的密码，可以是大小写英文字母、数字、下划线

 import re

 ret=re.match(r'[A-Za-z0-9_]{8,20}',"Adfsf465655f2s5a+")

 print(ret.group())

 #结果：

 #Adfsf465655f2s5a

表示边界

字符	功能
^	匹配字符串开头
$	匹配字符串结尾
\b	匹配一个单词的边界
\B	匹配非单词边界

示例1：匹配163.com的邮箱地址

 import re

 ret=re.match(r'\w{4,20}@163\.com$',"gmpzm@163.com")

 print(ret.group())

 #结果：

 #gmpzm@.com

错误情况

 import re

 ret=re.match(r'\w{4,20}@163\.com$',"gmpzm@163.comsda")

 print(ret.group())

 #结果：

 #

 #

 #

 # AttributeError: 'NoneType' object has no attribute 'group'

示例2：\b

 import re

 ret=re.match(r'.*pai\b',"gumupai")

 print(ret.group())

 #结果：

 # gumupai

示例3：\B

 import re

 ret=re.match(r'.*\Bmupai',"gumupai")

 print(ret.group())

 #结果：

 # gumupai

出错情况

 import re

 ret=re.match(r'.*\Bmupai',"gu mupai")

 print(ret.group())

 #结果：

 # AttributeError: 'NoneType' object has no attribute 'group'

匹配分组

字符	功能
\|	匹配左右任意一个表达式
(ab)	将括号中字符作为一个分组
\num	引用分组num匹配到的字符串
(?P<name>)	分组起别名
(?P=name)	引用别名为name分组匹配到的字符串

示例1：匹配1-100之间的数字

 import re

 ret = re.match("[1-9]?\d","")

 ret.group()

 ret = re.match("[1-9]?\d","")

 ret.group()

 # 不正确的情况

 ret = re.match("[1-9]?\d","")

 ret.group()

 # 修正之后的

 ret = re.match("[1-9]?\d$","")

 ret.group()

 # 添加|

 ret = re.match("[1-9]?\d$|100","")

 ret.group()

 ret = re.match("[1-9]?\d$|100","")

 ret.group()

 ret = re.match("[1-9]?\d$|100","")

 ret.group()

 ret = re.match("[1-9]?\d$|100","")

 ret.group()

示例2：匹配出163、126、qq邮箱之间的数字

 import re

 ret = re.match("\w{4,20}@163\.com", "test@163.com")

 ret.group()

 ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com")

 ret.group()

 ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com")

 ret.group()

 ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")

 ret.group()

示例3：匹配出<html>古墓派掌门</html>

 import re

 ret=re.match(r'<([a-zA-Z]*)>\w+</\1>',"<html>古墓派掌门</html>")

 print(ret.group())

 #结果：

 #<html>古墓派掌门</html>

示例4：匹配出<html><h1>古墓派掌门</h1></html>

 import re

 ret=re.match(r'<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>',"<html><h1>古墓派掌门</h1></html>")

 print(ret.group())

 #结果：

 #<html><h1>古墓派掌门</h1></html>

tips：

注意：(?P<name>)和(?P=name)中的字母p大写

re模块常用方法

search

函数会在字符串内查找模式匹配,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。

 import re

 ret = re.search(r"\d+", "阅读次数为 9999")

 ret.group()

 #结果9999

findall

返回所有满足匹配条件的结果,放在列表里

 import re

 ret=re.findall(r'\d+',"商品：辣条,数量：5,价格：5")

 print(ret)

 #结果：

 #['', '']

findall的优先级查询：

 import re

 ret=re.findall(r'(数量：\d+),价格：\d+',"商品：辣条,数量：5,价格：5")

 print(ret)

 #结果：

 #['数量：5']

 #取消优先级

 ret=re.findall(r'(?:数量：\d+),价格：\d+',"商品：辣条,数量：5,价格：5")

 print(ret)

 # 结果

 # ['数量：5,价格：5']

split

split的优先级查询

 import re

 ret=re.split(r'\d+',"小米3小花4小松5")

 print(ret)

 #结果：

 # ['小米', '小花', '小松', '']

 ret=re.split(r'(\d+)',"小米3小花4小松5")

 print(ret)

 #结果：

 # ['小米', '', '小花', '', '小松', '', '']

 #取消优先级

 ret=re.split(r'(?:\d+)',"小米3小花4小松5")

 print(ret)

 # 结果

 # ['小米', '小花', '小松', '']

python贪婪和非贪婪

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；

非贪婪则相反，总是尝试匹配尽可能少的字符。

在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。

 >>> s="This is a number 234-235-22-423"

 >>> r=re.match(".+(\d+-\d+-\d+-\d+)",s)

 >>> r.group()

 '4-235-22-423'

 >>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s)

 >>> r.group()

 '234-235-22-423'

 >>>

正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，“.+”会从字符串的启始处抓取满足模式的最长字符，其中包括我们想得到的第一个整型字段的中的大部分，“\d+”只需一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。

解决方式：非贪婪操作符“？”，这个操作符可以用在"*","+","?"的后面，要求正则匹配的越少越好。

>>> re.match(r"aa(\d+)","aa2343ddd").group()

''

>>> re.match(r"aa(\d+?)","aa2343ddd").group()

''

>>> re.match(r"aa(\d+)ddd","aa2343ddd").group()

''

>>> re.match(r"aa(\d+?)ddd","aa2343ddd").group()

''

>>>

论贪心：

有人说贪心算法是最简单的算法，原因很简单：你我其实都很贪，根本不用学就知道怎么贪。有人说贪心算法是最复杂的算法，原因也很简单：这世上会贪的人太多了，那轮到你我的份？