第7章 模式匹配与正则表达式

时间：2022-04-08 05:35:05
  • python 中所有的正则表达式函数都在re模块中。
  • 向re.complie()传入一个字符串值，来表示正则表达式，它将返回一个Regex模式对象。
  • Regex 对象的serch()方法查找传入的字符串，寻找该正则表达式的所有匹配。如果字符串中没有找到该正则表达式模式，search()方法将返回None。如果找到了该模式，search()方法将返回一个Match对象。Match对象有一个group()方法，它返回被查找字符串中实际匹配的文本。

正则表达式匹配复习
- 1.用import re导入正则表达式模块
- 2.用re.compile()函数创建一个Regex对象（记得使用原始字符串）
- 3.向Regex对象的search()方法传入想查找的字符串。它返回一个Match对象。
- 4.调用Match对象的group()方法，返回实际匹配文本字符串。

利用括号分组

假定想要将区号从电话号码中分离。添加括号将在正则表达式中创建“分组”：(\d\d\d)-(\d\d\d-\d\d\d)。然后使用group()匹配对象方法，从一个分组中获取匹配的文本。
正则表达式字符串中的第一对括号是第1组。第二对括号是第2组。向group()匹配对象方法传入整数1或者2，就可以匹配文本的不同部分。向group()方法中传入0或者不传入参数，将返回整个匹配的文本。

>>> import re
>>> phoneNumberRegex = re.compile(r'(\d\d\d)-(\d\d\d-\d\d\d)')
>>> mo = phoneNumberRegex.search('my number is 415-555-4242.')
>>> mo.group(1)
'415'
>>> mo.groups()
('415', '555-424')
  • 如果要一次获取所有分组，那么使用groups()方法
  • 字符“|”称为管道。希望匹配许多表达式中的一个时，就可以使用它。
  • 如果查找的字符串中，两个或者多个都出现时，第一次出现的匹配文本将作为Match对象返回。
>>> heroRegex = re.compile(r'batman|tina fey')
>>> mo1 = heroRegex.search('batman and tina fey')
>>> mo1.group()
'batman'
>>> mo1 = heroRegex.search(' tina fey and batman ')
>>> mo1.group()
'tina fey'

可以试用管道来匹配多个模式中的一个，作为正则表达式的一部分。

>>> batRegex = re.complie(r'bat(man|mobile|copter|bat)')
>>> batRegex = re.compile(r'bat(man|mobile|copter|bat)')
>>> mo = batRegex.search('batmobile lost a wheel')
>>> mo.group()
'batmobile'
>>> mo.group(1)
'mobile'
>>>

用问号实现可选匹配

有时候，向匹配的模式是可选的。就是说，不论这段文本在不在，正则表达式都会认为匹配。字符？表明它前面的分组在这个模式中是可选的。

>>> phoneNumberRegex = re.compile(r'(\d\d\d-)?\d\d\d-\d\d\d')
>>> mo = phoneNumberRegex.search('my number is 415-555-4242.')
>>> mo.group()
'415-555-424'
>>> mo = phoneNumberRegex.search('my number is 555-4242.')
>>> mo.group()
'555-424'

正则表达式中(\d\d\d-)?部分表明，模式(\d\d\d-)是可选的。也就是匹配这个问号之前的分组零次或一次

用星号匹配零次或多次

“*”星号之前的分组，可以在文本中出现任意次。

用加号匹配一次或多次

“+”加号之前的分区，至少在文本中出现一次

用花括号匹配特定的次数

如果想要一个分组重复特定的次数，就在正则表达式中该分组的后面，跟上画括号包围的数字。例如正则表达式(Ha){3}将匹配字符串’HaHaHa’
除了一个数字，还可以指定给一个范围，即在花括号中写下一个最小值、一个逗号和一个最大值。例如在正则表达(Ha){3,5}将匹配’HaHaHa’,’HaHaHaHa’,’HaHaHaHaHaHa’
也可以不谢花括号中第一个或第二个数字，不限定最小值或最大值。例如(Ha){3,}将匹配3次或者更多次的实例，(Ha){,5}将匹配0到5次实例。

贪心匹配和非贪心匹配

python的正则表达式模式的是“贪心”的，这表示在有二意的情况下，他们会尽可能的匹配最长的字符串。花括号的“非贪心”版本匹配尽可能最短的字符串，即在结束的花括号后跟着一个问号。

问号在正则表达式中有两种含义：声明非贪心匹配或表示可选的分组。

findall()方法

除了search方法外，Regex对象也有一个findall()方法。search()将返回一个Match对象，包含被查找字符串中的“第一次”匹配的文本，而findall()方法将返回一组字符串，包含被查找字符串中的所有匹配。
- 如果调用在一个没有分组的正则表达式上，例如\d\d\d-\d\d\d-\d\d\d\d，方法findall()将返回一个匹配字符串的列表，例如[‘414-555-9999’,’212-555-0000’]
- 如果调用在一个有分组的正则表达式上，例如(\d\d\d)-(\d\d\d)-(\d\d\d\d)，方法findall()将返回一个字符串的元组列表（每一个分组对应一个字符串），例如[(‘415’,’555’,’1121’),(‘212’,’555,’0000)]

字符分类

缩写字符分类 表示
\d 0到9的任何数字
\D 除0到9的数字以外的任何字符
\w 任何字母、数字或下划线字符（可以认为是匹配“单词”字符
\W 除字母、数字和下划线以外的任何字符
\s 空格、制表符或换行符（可以认为是匹配“空白”字符）
\S 除空格、制表符和换行符以外的任何字符

建立自己的字符分类

  • 用方括号定义自己的字符分类。例如，字符分类[adiouAEIOU]将匹配所有原因字符，不论大小写。
  • 也可以石永红短横线表示字母或者数字的范围。例如[0-5]只匹配数字0到5
  • 在方括号内，普通的正则表达式符号不会被解释。
  • 通过在字符分类的左方括号后加上一个插入字符(^)，就可以得到“非字符类”。非字符类将匹配不在这个字符类中的所有字符。
#匹配所有非元音字符
>>> consonantRegex = re.compile(r'[^aeiouAEIOU]')
>>> consonantRegex.findall('RoboCop eats baby food. BABY FOOD.')
['R', 'b', 'C', 'p', ' ', 't', 's', ' ', 'b', 'b', 'y', ' ', 'f', 'd', '.', ' ', 'B', 'B', 'Y', ' ', 'F', 'D', '.']

插入字符和美元字符

可以在正则表达式的开始处使用插入符号(^ )，表明匹配必须发生在被查找文本开始处。类似地，可以再正则表达式的末尾加上美元符号（ ），表示该字符串必须以这个正则表达式的模式结束。可以同时使用和 ，表明整个字符串必须匹配该模式，也就是说，只匹配该字符串的某个子集是不够的。

>>> beginsWithHello = re.compile(r'^Hello')
>>> beginsWithHello.search('Hello world!')
<_sre.SRE_Match object; span=(0, 5), match='Hello'>
>>> hh=beginsWithHello.search('Hello world!')
>>> hh.group()
'Hello'
>>> endsWithNumber = re.compile(r'\d$')
>>> ss=endsWithNumber.search('Your number is 42')
>>> ss.group()
'2'
>>> wholeStringIsNum = re.compile(r'^\d+$')
>>> rr=wholeStringIsNum.search('1234567890')
>>> rr.group()
'1234567890'

通配字符

在正则表达式中，.（句点）字符称为“通配符”。它匹配除了换行之外的所有
字符。

>>> atRegex = re.compile(r'.at')
>>> atRegex.findall('The cat in the hat sat on the flat mat.')
['cat', 'hat', 'sat', 'lat', 'mat']

句点字符只匹配一个字符，这就是为什么在前面的例子中，对于文本flat，只匹配 lat。

用点-星匹配所有字符

有时候想要匹配所有字符串。例如，假定想要匹配字符串’First Name:’，接下来是任意文本，接下来是’Last Name:’，然后又是任意文本。可以用点-星（.*）表示“任意文本”。回忆一下，句点字符表示“除换行外所有单个字符”，星号字符表示“前面字符出现零次或多次”。

>>> nameRegex = re.compile(r'First Name: (.*) Last Name: (.*)')
>>> mo = nameRegex.search('First Name: Al Last Name: Sweigart')
>>> mo.group(1)
'Al'
>>> mo.group(2)
'Sweigart'

用句点字符匹配换行

点-星将匹配除换行外的所有字符。通过传入 re.DOTALL 作为 re.compile()的第二个参数，可以让句点字符匹配所有字符，包括换行字符。

>>> noNewlineRegex = re.compile('.*')
>>> noNewlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.'
>>> newlineRegex = re.compile('.*', re.DOTALL)
>>> newlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.\nProtect the innocent.\nUphold the law.'

正则表达式符号复习

  • ?匹配零次或一次前面的分组。
  • *匹配零次或多次前面的分组。
  • +匹配一次或多次前面的分组。
  • {n}匹配 n 次前面的分组。
  • {n,}匹配 n 次或更多前面的分组。
  • {,m}匹配零次到 m 次前面的分组。
  • {n,m}匹配至少 n 次、至多 m 次前面的分组。
  • {n,m}?或*?或+?对前面的分组进行非贪心匹配。
  • ^spam 意味着字符串必须以 spam 开始。
  • spam$意味着字符串必须以 spam 结束。
  • .匹配所有字符，换行符除外。
  • \d、\w 和\s 分别匹配数字、单词和空格。
  • \D、\W 和\S 分别匹配出数字、单词和空格外的所有字符。
  • [abc]匹配方括号内的任意字符（诸如 a、b 或 c）。
  • [^abc]匹配不在方括号内的任意字符。

不区分大小写的匹

向re.comlile()传入re.IGNORECASE或re.I，作为第二个参数

用sub()方法替换字符串

Regex对象的sub()方法需要传入两个参数。第一个参数是字符串，用于取代发现的匹配。第二个参数是一个字符串，即正则表达式。sub()方法返回替换完成后的字符串。

>>> namesRegex = re.compile(r'Agent \w+')
>>> namesRegex.sub('CENSORED', 'Agent Alice gave the secret documents to Agent Bob.')
'CENSORED gave the secret documents to CENSORED.'

有时候，你可能需要使用匹配的文本本身，作为替换的一部分。在 sub()的第一个参数中，可以输入\1、\2、\3……。表示“在替换中输入分组1、2、3……的文本”。

例如，假定想要隐去密探的姓名，只显示他们姓名的第一个字母。要做到这一点，可以使用正则表达式 Agent (\w)\w*，传入 r’\1****’作 sub()的第一个参数。字符串中的\1 将由分组 1匹配的文本所替代，也就是正则表达式的(\w)分组。

>>> agentNamesRegex = re.compile(r'Agent (\w)\w*')
>>> agentNamesRegex.sub(r'\1****', 'Agent Alice told Agent Carol that Agent
Eve knew Agent Bob was a double agent.')
A**** told C**** that E**** knew B**** was a double agent.'

如果要匹配的文本模式很简单，正则表达式就很好。但匹配复杂的文本模式，可能需要长的、费解的正则表达式。你可以告诉re.compile()，忽略正则表达式字符串中的空白符和注释，从而缓解这一点。要实现这种详细模式，可以向 re.compile()
传入变量 re.VERBOSE，作为第二个参数。

项目 电话号码和 E-mail 地址提取程序
假设你有一个无聊的任务，要在一篇长的网页或文章中，找出所有电话号码和邮件地址。如果手动翻页，可能需要查找很长时间。如果有一个程序，可以在剪贴板的文本中查找电话号码和 E-mail地址，那你就只要按一下Ctrl-A选择所有文本，按下 Ctrl-C 将它复制到剪贴板，然后运行你的程序。它会用找到的电话号码和 E-mail地址，替换掉剪贴板中的文本。

import re
import pyperclip

phoneRegex = re.compile(r'''( (\d{3}|\(\d{3}\))? (\s\|-|\.)? (\d{3}) (\s|-|\.) (\d{4}) (\\s*(ext|x|ext.)\s*(\d{2,5}))? )''', re.VERBOSE)

emailRegex = re.compile(r''' ([a-zA-Z0-9._%+-]+ @ [a-zA-Z0-9.-]+ (\.[a-zA-Z]{2,4}) )''', re.VERBOSE)

text = str(pyperclip.paste())
matches = []
for groups in phoneRegex.findall(text):
    phoneNum = '-'.join([groups[1],groups[3],groups[5]])
    if groups[8] != '':
        phoneNum += 'x' + groups[8]
    matches.append(phoneNum)
for groups in emailRegex.findall(text):
    matches.append(groups[0])

if len(matches) >0:
    pyperclip.copy('\n'.join(matches))
    print('Copied to clipboard :')
    print('\n'.join(matches))
else:
    print('No phone numbers or email addresses found.')
标签：

相关文章