Python学习笔记15：Python正则表达式

时间：2022-10-02 22:33:56

1、引言
Python通过标准库的re模块支持正则表达式。
Python中完成模式匹配的主要方法：搜索和匹配。
搜索，即在字符串任意部分中搜索匹配的模式，而匹配是指，判断一个字符串能否从起始处全部或部分的匹配某个模式。搜索通过search()函数或方法来实现，匹配通过match()函数或方法来实现。

2、正则表达式使用的特殊符号和字符

  • literal 匹配字符串的值
  • re1|re2 匹配正则表达式re1或re2
  • . 匹配任意字符（换行符除外）
  • ^ 匹配字符串的开始
  • $ 匹配字符串的结尾
  • * 匹配前面出现的正则表达式零次或多次
  • +匹配前面出现的正则表达式一次或多次
  • ？匹配前面出现的正则表达式零次或一次
  • {N} 匹配前面出现的正则表达式N次
  • {M,N} 匹配重复出现M次到N次的正则表达式
  • […] 匹配字符组里出现的任意一个字符
  • […x-y…] 匹配从字符x到y中的任意一个字符
  • [^…] 不匹配此字符集中出现的任意一个字符
  • (*|+|?|{})? 用于上面出现的任何“非贪婪”。版本重复匹配次数符号。如.*?a表示匹配到第一个a出现取前面任意长度的字符。
  • (…) 匹配封闭括号中正则表达式（RE），并保存为子组
  • \d 匹配任何数字，和[0-9]一样（\D是\d的反义：任何非数字）
  • \w 匹配任何数字字母字符，和[A-Za-z0-9_]相同(\W是\w的反义)
  • \s 匹配任何空白符，和[\n\t\r\v\f]相同（\S是\s的反义）
  • \b 匹配单词边界(\B是\b的反义)
  • \nn 匹配已保存的子组（参考(…)）如price:\16
  • \c 逐一匹配特殊字符c（即，取消它的特殊含义，按字面匹配）
  • \A（\Z）匹配字符串的起始（结束）

（1）用管道符号(|)匹配多个正则表达式
（2）匹配除换行符外任意一个单个的字符（.）
（3）从字符串的开头或结尾或单词边界开始匹配（^ $或\A \Z \b \B）
（4）创建字符类（[]）
（5）指定范围（-）和否定（^）
（6）使用闭包操作符（* + ？ {}）实现多次出现/重复匹配
？的两种含义：

  • 表示匹配出现0或1次；
  • 紧跟在表示重复的元字符后面时（如+?），表示要求搜索引擎匹配的字符串越短越好。(*+?{m,n})尽量“吸收”更多的字符，这叫“贪心”。

（7）特殊字符表示、字符集

  • \d表示十进制数字（\D表示非十进制数字）
  • \w表示整个字符数字的字符集（\W）
  • \s表示空白字符（\S）

（8）用圆括号（()）组建组
()的功能：对正则表达式进行分组；匹配子组。
对正则表达式进行分组可以实现用不同的正则表达式去匹配字符串，或重复整个正则表达式多次。
使用子组匹配是为了能够提取匹配模式的内容，Python的re支持此功能。

3、正则表达式和Python语言
re模块
1.5中被引入，在1.6重写，改进性能且添加了对Unicode的支持，但接口没有变。
re模块支持功能更强大，更通用的Perl风格的正则表达式，允许多线程共享同一经过编译的正则表达式对象，同时还支持对正则表达式分组进行命名和按名字调用。
reconvert模块
regex/regsub模块存在于Python早期版本中，在2.5中已被移除，reconvert模块帮助开发者从regex/regsub模块迁移到re模块。
re引擎在1.6被重写，改进了性能并添加了对unicode的支持。
（1）re模块的核心函数和方法
①模块的函数

  • compile(pattern,flags=0) 对正则表达式模式pattern进行编译，并返回一个regex对象，flags是可选标识符

②re模块的函数和regex对象的方法

  • match(pattern,string,flags=0) 使用正则表达式模式pattern匹配字符串string，匹配成功返回匹配对象，失败返回None，flags是可选标识符
  • search(pattern,string,flags=0) 在字符串string中搜索正则表达式模式pattern的第一次出现，匹配成功返回匹配对象，失败返回None，flags是可选标识符
  • findall(pattern,string[,flags]) 在字符串string中搜索正则表达式模式pattern的所有非重复出现，返回一个匹配对象的列表
  • finditer(pattern,string[,flags]) 和findall()相同，只是返回的不是列表而是迭代器
  • split(pattern,string,max=0) 根据pattern中的分隔符把字符串string分割为一个列表，最多分割max次，默认分割所有匹配的地方
  • sub(pattern,repl,string,max=0) 把string中所有匹配pattern的地方替换成字符串repl，最多替换max次，默认替换所有匹配的地方

③匹配对象的方法

  • group(num=0) 返回全部匹配对象（或指定编号是num的子组）
  • groups()返回包含全部匹配的子组的元组（若匹配不成功，就返回一个空元组）

（2）使用compile()编译正则表达式
大多数re模块函数都可以作为regex对象的方法。用compile()预编译正则表达式可以提升性能。
（3）匹配对象和group()、groups()方法
在match()或search()被成功调用之后所返回的对象类型–匹配对象。
匹配对象有两个主要的方法：group()和groups()。
group()方法或者返回所有匹配对象或是根据要求返回某个特定子组。groups()返回一个包含唯一或所有子组的元组。
如果正则表达式中没有子组，groups()返回一个空元组，而group()仍会返回全部匹配对象。
（4）用match()匹配字符串
re模块的match()函数、正则表达式对象（regex对象）的match()方法

>>>m=re.match('foo','foo')
>>>if m is not None:
            m.group()

（5）search()在一个字符串中查找一个模式（搜索与匹配的比较）

>>>m=re.match('foo','seafood')
>>>if m is not None:   #匹配失败
            m.group()
>>>m=re.search('foo','seafood')
>>>if m is not None:   #匹配成功
            m.group()

（6）匹配多个字符串（|）

>>>bt='bat|bet|bit'
>>>m=re.match(bt,'bat')

（7）匹配任意单个字符（.）
（.）不能匹配换行符或非字符（即空字符串）

>>>anyend='.end'
>>>m=re.match(anyend,'end')
>>>if m is not None:m.group()  
...  #没有字符匹配，匹配失败

（8）创建字符集合（[]）
（9）重复、特殊字符和子组

>>>m=re.match('(a(b))','ab')
>>>m.group()#所有匹配部分
'ab'
>>>m.group(1)匹配的子组1
'ab'
>>>m.group(2)匹配的子组2
'b'
>>>m.groups()所有匹配的子组的元组
('ab','b')

（10）从字符串开头或结尾匹配以及在单词边界上的匹配
（11）用findall()找到每个出现的匹配部分（1.5.2）
findall()用于非重叠地搜索某字符串中一个正则表达式模式出现的情况。
类似于search()执行字符串搜索，findall()总返回一个列表，若未找到匹配，返回空列表。findall()用于包含子组的搜索时，会返回一个元组的列表。
（12）用sub()（和subn()）进行搜索和替换
subn()和sub()一样，都是将字符串中所有匹配正则表达式模式的部分进行替换，只是subn()返回一个表示替换次数的数字，替换后的字符串和替换次数作为一个元组被返回。
（13）用split()分割（分割模式）
re模块和正则表达式对象的方法split()与字符串的split()方法相似，前者根据正则表达式模式进行分割，后者根据固定的字符串分割，前者较后者，显著提升了字符分割的能力。

4、常用正则表达式汇总
（1）校验数字

数字：^\d*$
n位的数字：^\d{n}$
至少n位的数字：^\d{n,}$
m-n位的数字：^\d{m,n}$
零和非零开头的数字：^(0|[1-9][0-9]*)$
非零开头的最多带两位小数的数字：^([1-9]\d*)+(\.\d{1,2})?$
带1-2位小数的正数或负数：^(\-)?\d+\.\d{1,2}$
正数、负数、和小数：^(\-)?\d+(\.\d+)?$
有两位小数的正实数：^\d+\.\d{2}$
有1~3位小数的正实数：^\d+\.\d{1,3}$
非零的正整数：^[1-9]\d*$
非零的负整数：^-[1-9]\d*$

（2）校验字符的表达式

汉字：^[\u4e00-\u9fa5]+$
英文和数字：^[A-Za-z0-9]+$
长度为3-20的所有字符：^.{3,20}$
由26个英文字母组成的字符串：^[A-Za-z]+$
由26个大写英文字母组成的字符串：^[A-Z]+$
由26个小写英文字母组成的字符串：^[a-z]+$
由数字和26个英文字母组成的字符串：^[A-Za-z0-9]+$
由数字、26个英文字母或者下划线组成的字符串：^\w+$
中文、英文、数字包括下划线：^[\u4E00-\u9FA5A-Za-z0-9_]+$
中文、英文、数字但不包括下划线等符号：^[\u4E00-\u9FA5A-Za-z0-9]+$

（3）特殊需求表达式

Email地址：^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$
国内手机号码：^1[34578]{1}\d{9}
帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z]\w{4,15}$
密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)：^[a-zA-Z]\w{5,17}$
强密码(必须包含大小写字母和数字的组合，不能使用特殊字符，长度在8-10之间)：^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$
日期格式：^\d{4}-\d{1,2}-\d{1,2}
一年的12个月(01～09和1～12)：^(0?[1-9]|1[0-2])$
一个月的31天(01～09和1～31)：^((0?[1-9])|((1|2)[0-9])|30|31)$
腾讯QQ号：[1-9][0-9]{4,}    (腾讯QQ号从10000开始)
IP地址：\d+\.\d+\.\d+\.\d+    (提取IP地址时有用)
IP地址：^(\d{1,2}|1\d\d|2[0-4]\d|25[0-5])(\.(\d{1,2}|1\d\d|2[0-4]\d|25[0-5])){3}$
标签：

相关文章