旷世的忧伤

Huoty's Blog

Python 正则表达式简介

正则表达式,又称正规表示法常规表示法(英语:Regular Expression,在代码中常简写为regex、regexp或RE),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、匹配一系列符合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、替换那些符合某个模式的文本。

应用正则表达式来处理文本信息和数据非常方便,Python 对正则表达式有很好的支持。在学习正则表达式的过程中,可将正则表达式的内容分为几个点来学习,这样便于学习和记忆。

正则表达式规则

1. 元字符

. 	匹配除换行符以外的任意字符
\w 	匹配字母或数字或下划线或汉字, 即构成词汇的字符(word)
\s 	匹配任意的空白符,即 \n,\t, \r, \v, \f
\S	匹配任何非空白字符,即 [^ \f\n\r\t\v]
\n	匹配一个换行符,等价于 \x0a 和 \cJ
\r	匹配一个回车符,等价于 \x0d 和 \cM
\t	匹配一个制表符,等价于 \x09 和 \cI
\d 	匹配数字, 即 0-9

\b	匹配一个单词边界,即字与空格间的位置
\B	非单词边界匹配
^ 	匹配字符串的开始,位置控制
$ 	匹配字符串的结束,位置控制

[]  匹配字符集合中的任一字符,如 [0-9A-Fa-f] 匹配任何十六进制数位

举例:

\ba\w*\b 以字母a开头的单词(仅匹配一个单词)
\bks 以ks开头的内容
huoty\b 以huoty结束的内容
^\d{5, 12}$ 匹配5-12位的QQ号

注:\b……\b 与 ^……$ 等价,都用于匹配一个单词。

2. 重复

* 	    重复零次或更多次,即任意次数
+ 	    重复一次或更多次,即至少一次
? 	    重复零次或一次,即最多一次
{n} 	重复n次
{n,} 	重复n次或更多次
{n,m} 	重复n到m次

3. 分支条件(或)

用于分支条件的正则表达式规则是一条竖线”** **“,即或的意思,示例:
0\d{2}-\d{8} 0\d{3}-\d{7}

这个表达式匹配两种以连字号分隔的电话号码:一种是三位区号,8位本地号(如010-12345678),一种是4位区号,7位本地号(如0376-2233445)

4. 分组

小括号 () 用于指定子表达式(也叫做分组)。子表达式可以用于多个字符的重复,即可以为子表达式指定重复次数。例如:

(\d{1,3}.){3}\d{1,3}

一个简单的 IP 地址匹配表达式。

5. 反义

所谓的反义匹配,其实就是对元字符的取反引用。

\W 	        匹配任意不是字母,数字,下划线,汉字的字符
\S 	        匹配任意不是空白符的字符
\D 	        匹配任意非数字的字符
\B 	        匹配不是单词开头或结束的位置
[^x] 	    匹配除了x以外的任意字符
[^aeiou] 	匹配除了aeiou这几个字母以外的任意字符

举例:
\S+ 匹配不包含空白符的字符串。
[a[^>]+\ 匹配用方括号括起来的以a开头的字符串。

6. 反向引用

使用小括号指定一个子表达式后,匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其他程序中作进一步处理(例如Python的re模块中的group和groups方法)。默认情况下每个分组拥有一个组号,规则是,从左到右,以分组的左括号为标志,第一个出现的分组的组号为1,第二个为2,一次类推。分组号为0对应整个正则表达式

反向引用用于重复搜索前面某个分组匹配的文本,例如:\1 代表分组1匹配的文本。示例:

\b(\w+)\b\s+\1\b

这个表达式用于匹配重复的单词,如 “go go”,“huoty huoty”等。

分组的组号可以自定义,也可以为分组指定名字,这里不做详细说明。

7. 贪婪和非贪婪

贪婪模式: 匹配尽可能多的字符
非贪婪模式: 匹配尽可能少的字符

默认为贪婪模式,需要用到非贪婪模式时,只需要在限定符后加上“?”即可:

*? 	重复任意次,但尽可能少重复
+? 	重复1次或更多次,但尽可能少重复
?? 	重复0次或1次,但尽可能少重复
{n,m}? 	重复n到m次,但尽可能少重复
{n,}? 	重复n次以上,但尽可能少重复

Python 的 re 模块

Python 的 re 模块提供对正则表达式的支持。使用 re 一般是先将正则表达式的匹配规则字符串编译(compile)为 Pattern 对象,然后使用 Pattern 对象处理文本并获得匹配结果(一个 Match 对象),最后使用 Match 对象获得想要的信息。

import re

pattern = re.compile(r"hello")
match = pattern.match("hello world")
if match:
    print(match.group())

# 输出:hello

1. re.compile

re.compile(strPattern[, flag])
该方法用于将字符串形式的正则表达式规则编译为 Pattern 对象。 第二个参数 flag 是匹配模式,取值可以使用按位或运算符 ‘ ’ 表示同时生效,比如 re.I re.M。另外,也可以在 regex 字符串中指定模式,比如 re.compile(‘pattern’, re.I re.M) 与 re.compile(‘(?im)pattern’) 是等价的。 flag 的可选值有:
  • re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同)
  • re.M(全拼:MULTILINE): 多行模式,改变 ‘^’ 和 ‘$’ 的行为
  • re.S(全拼:DOTALL): 点任意匹配模式,改变 ‘.’ 的行为
  • re.L(全拼:LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
  • re.U(全拼:UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于 unicode 定义的字符属性
  • re.X(全拼:VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。

2. Pattern 对象

Pattern 对象是一个编译好的正则表达式,通过 Pattern 提供的一系列方法可以对文本进行匹配查找。其不能直接实例化,必须使用 re.compile() 进行构造。Pattern提供了几个可读属性用于获取表达式的相关信息:

  • pattern: 编译时用的表达式字符串
  • flags: 编译时用的匹配模式,数字形式
  • groups: 表达式中分组的数量
  • groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典,没有别名的组不包含在内
>>> import re
>>> p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
>>> p.pattern
'(\\w+) (\\w+)(?P<sign>.*)'
>>> p.flags
48    
>>> p.groups
3
>>> p.groupindex
mappingproxy({'sign': 3})

Pattern 对象的实例方法与 re 模块提供的函数用法基本相同,只不过 re 模块的函数使用时第一个参数必须是一个 Pattern 对象实例或者 string 类型的匹配模式。具体方法包括:

  • **match(string[, pos[, endpos]]) re.match(pattern, string[, flags])**
  • **search(string[, pos[, endpos]]) re.search(pattern, string[, flags])**
  • **split(string[, maxsplit]) re.split(pattern, string[, maxsplit])**
  • **findall(string[, pos[, endpos]]) re.findall(pattern, string[, flags])**
  • **finditer(string[, pos[, endpos]]) re.finditer(pattern, string[, flags])**
  • **sub(repl, string[, count]) re.sub(pattern, repl, string[, count])**
  • **subn(repl, string[, count]) re.sub(pattern, repl, string[, count])**

如果匹配模式会被重复调用,则建议先编译成 Pattern 对象再使用。

3. re.match

pattern.match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])

该方法将从 string 的 pos 下标处起尝试匹配 pattern;如果 pattern 结束时仍可匹配,则返回一个 Match 对象;如果匹配过程中 pattern 无法匹配,或者匹配未结束就已到达 endpos,则返回 None。pos 和 endpos 的默认值分别为 0 和 len(string);re.match() 无法指定这两个参数,参数 flags 用于编译 pattern 时指定匹配模式。使用 re.match 是若要完全匹配,pattern 要以 $ 结尾。

>>> s = "hello world!"
>>> p = re.compile("world")
>>> p.match(s)
>>> p.match(s, 6)
<re.Match object; span=(6, 11), match='world'>
>>> re.match(p, s)
>>> re.match("hello world", s)
<re.Match object; span=(0, 11), match='hello world'>
>>> re.match("hello world$", s)

4. Match 对象

Match 对象是一次匹配的结果,包含此次匹配相关的信息,可以使用 Match 提供的可读属性或方法来获取这些信息。

属性:

  • (1) string: 匹配时使用的文本
  • (2) re: 匹配时使用的 Patter 对象
  • (3) pos: 文本中正则表达式开始搜索的索引,值与 Pattern.match() 和 Pattern.search() 方法的同名参数相同
  • (4) endpos: 文本中正则表达式结束搜索的索引,值与 Pattern.match() 和 Pattern.search() 方法的同名参数相同
  • (5) lastindex: 最后一个被捕获的分组在文本中的索引,如果没有被捕获的分组,将为 None
  • (6) lastgroup: 最后一个被捕获的分组的别名,如果这个分组没有别名或者没有被捕获的分组,将为 None

方法:

  • (1)group([group1, …]): 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]): 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
  • (3)groupdict([default]): 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
  • (4)start([group]): 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
  • (5)end([group]): 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
  • (6)span([group]): 返回(start(group), end(group))
  • (7)expand(template): 将匹配到的分组代入template中然后返回。template中可以使用 \id 或 \g、\g 引用分组,但不能使用编号 0。\id 与 \g 是等价的;但 \10 将被认为是第 10 个分组,如果你想表达 \1 之后是字符 ‘0’,只能使用 \g0
>>> m = re.match(r'(\w{3})-(\d{3})', "abc-123")
>>> m.group()  # 完全匹配
'abc-123'
>>> m.group(1)  # 子组 1
'abc'
>>> m.group(2)  # 子组 2
'123'
>>> m.groups()  # 全部子组
('abc', '123')

5. re.search

pattern.search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])

这个方法用于查找字符串中可以匹配成功的子串。从 string 的 pos 下标处起尝试匹配 pattern,如果 pattern 结束时仍可匹配,则返回一个 Match 对象;若无法匹配,则将 pos 加 1 后重新尝试匹配;直到 pos=endpos 时仍无法匹配则返回 None。pos 和 endpos 的默认值分别为 0 和 len(string));re.search() 无法指定这两个参数,参数 flags 用于编译 pattern 时指定匹配模式。

与 match 方法不同是,match 从字符串开始位置开始匹配(除非指定了 pos 参数),而 search 则是从字符串中查找能够匹配的子串,不一定从起始位置开始,且如果字符串中存在多个 pattern 子串时只返回第一个。

>>> s = "blablabla..."
>>> p = re.compile("ab")
>>> p.search("ab")
<re.Match object; span=(0, 2), match='ab'>
>>> p.search("ab", pos=8)
>>> re.search("bla", s)
<re.Match object; span=(0, 3), match='bla'>

6. re.split

pattern.split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])

按照能够匹配的子串将 string 分割后返回列表。maxsplit 用于指定最大分割次数,不指定将全部分割。

>>> s = "blablabla..."
>>> re.split("a", s)
['bl', 'bl', 'bl', '...']
>>> re.split("a", s, 2)
['bl', 'bl', 'bla...']

7. re.findall

pattern.findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])

搜索 string,以列表形式返回全部能匹配的子串。

>>> s = "blablabla..."
>>> p = re.compile('la')
>>> p.findall(s)
['la', 'la', 'la']
>>> p.findall(s, 3)
['la', 'la']
>>> re.findall(p, s)
['la', 'la', 'la']

8. re.finditer

pattern.finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])

搜索 string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。与 findall 方法不同的是,finditer 返回的是 Match 对象,获取匹配结果需要再调用 Match 对象的相应方法。

>>> s = "blablabla..."
>>> re.finditer('la', s)
<callable_iterator object at 0x10cfab6d8>
>>> list(re.finditer('la', s))
[<re.Match object; span=(1, 3), match='la'>, <re.Match object; span=(4, 6), match='la'>, <re.Match object; span=(7, 9), match='la'>]
>>> [m.group() for m in re.finditer('la', s)]
['la', 'la', 'la']

9. re.sub

pattern.sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])

使用 repl 替换 string 中每一个匹配的子串后返回替换后的字符串。参数 repl 可以是一个字符串也可以是一个函数。当 repl 是一个字符串时,可以使用 \id 或 \g、\g 引用分组,但不能使用编号 0。当 repl 是一个方法时,这个方法应当只接受一个参数(Match对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。count 用于指定最多替换次数,不指定时全部替换。

>>> s = "hello huoty, nihao huoty"
>>> re.sub(r"hello (\w+), nihao \1", "huayong", s)
'huayong'
>>> re.sub(r"hello (\w+), nihao \1", "\g<1>", s)
'huoty'
>>> re.sub(r"hello (\w+), nihao \1", lambda m: 'li', s)
'li'
>>> re.sub(r"huoty", 'huayong', s)
'hello huayong, nihao huayong'
>>> re.sub(r"huoty", 'huayong', s, 1)
'hello huayong, nihao huoty'

10. re.subn

pattern.subn(repl, string[, count]) | re.sub(pattern, repl, string[, count])

返回 (sub(repl, string[, count]), 替换次数),即将替换的次数一并返回。

>>> s = "hello huoty, nihao huoty"
>>> re.subn(r"huoty", 'huayong', s)
('hello huayong, nihao huayong', 2)
>>> re.subn(r"huoty", 'huayong', s, 1)
('hello huayong, nihao huoty', 1)

Re 模块常用方法总结

Re 模块常用方法总结

常用正则表达式

  • 汉字:^[\u4e00-\u9fa5]{0,}$
  • 英文和数字:^[A-Za-z0-9]+$ 或 ^[A-Za-z0-9]{4,40}$
  • 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+$ 或 ^\w{3,20}$
  • 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]+$ 或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$
  • 可以输入含有^%&’,;=?$\”等字符:[^%&’,;=?$\x22]+
  • 禁止输入含有~的字符:[^~\x22]+
  • Email地址:^\w+([-+.]\w+)@\w+([-.]\w+).\w+([-.]\w+)*$
  • 域名:[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
  • 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][a-zA-Z0-9_]{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}

参考资料

Top