Python 正则表达式：re 模块【一篇就够了】

Python 正则表达式：re 模块【一篇就够了】

学习网址：https://blog.csdn.net/weixin_39020133/article/details/105493774?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase

创建正则表达式对象

phoneNumRegex = re.compile(r'ddd-ddd-dddd')

• 1

传入一个字符串值，表示正则表达式，它将返回一个 Regex 模式对象（或者就简称为Regex对象）。

匹配 Regex 对象

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

phoneNumRegex = re.compile(r'ddd-ddd-dddd')
mo = phoneNumRegex.search('My number is 415-555-4242.')
print('Phone number found: ' + mo.group())
Phone number found: 415-555-4242

• 1
• 2
• 3
• 4

利用括号分组

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 2，就可以取得匹配文本的不同部分。向 group()方法传入 0 或不传入参数，将返回整个匹配的文本。

>>> phoneNumRegex = re.compile(r'(ddd)-(ddd-dddd)')
>>> mo = phoneNumRegex.search('My number is 415-555-4242.')
>>> mo.group(1)
'415' 

• 1
• 2
• 3
• 4

如果想要一次就获取所有的分组，请使用 groups()方法，注意函数名的复数形式。

>>> mo.groups()
('415', '555-4242')
>>> areaCode, mainNumber = mo.groups()
>>> print(areaCode)
415
>>> print(mainNumber)
555-4242

• 1
• 2
• 3
• 4
• 5
• 6
• 7

管道匹配多个分组

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Batman 和 Tina Fey 都出现在被查找的字符串中，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'
>>> mo2 = heroRegex.search('Tina Fey and Batman.')
>>> mo2.group()
'Tina Fey' 

• 1
• 2
• 3
• 4
• 5
• 6
• 7

也可以使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。例如，假设你希望匹配 ‘Batman’ 、’Batmobile’ 、’Batcopter’ 和 ‘Batbat’中任意一个。因为所有这些字符串都以Bat 开始，所以如果能够只指定一次前缀，就很方便。这可以通过括号实现。在交互式环境中输入以下代码：

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

• 1
• 2
• 3
• 4
• 5
• 6

用问号实现可选匹配

有时候，想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。例如，在交互式环境中输入以下代码：

>>> batRegex = re.compile(r'Bat(wo)?man')
>>> mo1 = batRegex.search('The Adventures of Batman')
>>> mo1.group()
'Batman'
>>> mo2 = batRegex.search('The Adventures of Batwoman')
>>> mo2.group()
'Batwoman'

• 1
• 2
• 3
• 4
• 5
• 6
• 7

你可以认为?是在说，“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

*（称为星号）意味着“匹配零次或多次”，即星号之前的分组，可以在文本中出现任意次。它可以完全不存在，或一次又一次地重复。让我们再来看看 Batman 的例子。

>>> batRegex = re.compile(r'Bat(wo)*man')
>>> mo1 = batRegex.search('The Adventures of Batman')
>>> mo1.group()
'Batman'
>>> mo2 = batRegex.search('The Adventures of Batwoman')
>>> mo2.group()
'Batwoman'
>>> mo3 = batRegex.search('The Adventures of Batwowowowoman')
>>> mo3.group()
'Batwowowowoman'

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

对于’Batman’，正则表达式的(wo)*部分匹配 wo 的零个实例。对于’Batwoman’，(wo)*匹配 wo 的一个实例。对于’Batwowowowoman’，(wo)*匹配wo 的 4 个实例。

用加号匹配一次或多次

*意味着“匹配零次或多次”，+（加号）则意味着“匹配一次或多次”。星号不要求分组出现在匹配的字符串中，但加号不同，加号前面的分组必须“至少出现一次”。

>>> batRegex = re.compile(r'Bat(wo)+man')
>>> mo1 = batRegex.search('The Adventures of Batwoman')
>>> mo1.group()
'Batwoman'
>>> mo2 = batRegex.search('The Adventures of Batwowowowoman')
>>> mo2.group()
'Batwowowowoman'
>>> mo3 = batRegex.search('The Adventures of Batman')
>>> mo3 == None
True

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

用花括号匹配特定次数

正则表达式(Ha){3}将匹配字符串’HaHaHa’，但不会匹配’HaHa’，因为后者只重复了(Ha)分组两次。 除了一个数字，还可以指定一个范围，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，正则表达式Ha{3,5}将匹配’HaHaHa’、’HaHaHaHa’和’HaHaHaHaHa’。 也可以不写花括号中的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 次或更多次实例，Ha{,5}将匹配 0 到 5 次实例。

>>> haRegex = re.compile(r'(Ha){3}')
>>> mo1 = haRegex.search('HaHaHa')
>>> mo1.group()
'HaHaHa'
>>> mo2 = haRegex.search('Ha')
>>> mo2 == None
True 

• 1
• 2
• 3
• 4
• 5
• 6
• 7

这里，Ha{3}匹配’HaHaHa’，但不匹配’Ha’。因为它不匹配’Ha’，所以 search返回 None。

贪心和非贪心匹配

在字符串’HaHaHaHaHa’中，因为Ha{3,5}可以匹配 3 个、4 个或 5 个实例，你可能会想，为什么在前面花括号的例子中，Match对象的 group调用会返回’HaHaHaHaHa’，而不是更短的可能结果。毕竟，’HaHaHa’和’HaHaHaHa’也能够有效地匹配正则表达式Ha{3,5}。 Python 的正则表达式默认是“贪心”的，这表示在有二义的情况下，它们会尽可能匹配最长的字符串。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。 在交互式环境中输入以下代码，注意在查找相同字符串时，花括号的贪心形式和非贪心形式之间的区别：

>>> greedyHaRegex = re.compile(r'(Ha){3,5}')
>>> mo1 = greedyHaRegex.search('HaHaHaHaHa')
>>> mo1.group()
'HaHaHaHaHa'
>>> nongreedyHaRegex = re.compile(r'(Ha){3,5}?')
>>> mo2 = nongreedyHaRegex.search('HaHaHaHaHa')
>>> mo2.group()
'HaHaHa' 

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

请注意，问号在正则表达式中可能有两种含义：声明非贪心匹配或表示可选的分组。这两种含义是完全无关的。

findall方法

findall()方法返回一个字符串列表，只要在正则表达式中没有分组。列表中的每个字符串都是一段被查找的文本，它匹配该正则表达式。在交互式环境中输入以下代码：

>>> phoneNumRegex = re.compile(r'ddd-ddd-dddd') # has no groups
>>> phoneNumRegex.findall('Cell: 415-555-9999 Work: 212-555-0000')
['415-555-9999', '212-555-0000']

• 1
• 2
• 3

如果在正则表达式中有分组，那么 findall将返回元组的列表。每个元组表示一个找到的匹配，其中的项就是正则表达式中每个分组的匹配字符串。为了看看findall()的效果，请在交互式环境中输入以下代码（请注意，被编译的正则表达式现在有括号分组）：

>>> phoneNumRegex = re.compile(r'(ddd)-(ddd)-(dddd)') # has groups
>>> phoneNumRegex.findall('Cell: 415-555-9999 Work: 212-555-0000')
[('415', '555', '1122'), ('212', '555', '0000')] 

• 1
• 2
• 3

作为findall()方法的返回结果的总结，请记住下面两点：

1. 如果调用在一个没有分组的正则表达式上，例如ddd-ddd-dddd，方法findall将返回一个匹配字符串的列表，例如[‘415-555-9999’, ‘212-555-0000’]。
2. 如果调用在一个有分组的正则表达式上，例如ddd-ddd-dddd，方 法findall将返回一个字符串的元组的列表（每个分组对应一个字符串），例如[‘415′,‘555′,‘1122′, ‘212′,‘555′,‘0000′]。

字符分类

字符	涵义
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

>> xmasRegex = re.compile(r'd+sw+')
>> xmasRegex.findall('12 drummers, 11 pipers, 10 lords, 9 ladies, 8 maids, 7
swans, 6 geese, 5 rings, 4 birds, 3 hens, 2 doves, 1 partridge')
['12 drummers', '11 pipers', '10 lords', '9 ladies', '8 maids', '7 swans', '6
geese', '5 rings', '4 birds', '3 hens', '2 doves', '1 partridge']

• 1
• 2
• 3
• 4
• 5

正则表达式d+sw+匹配的文本有一个或多个数字d+，接下来是一个空白字符s，接下来是一个或多个字母/数字/下划线字符w+。findall()方法将返回所有匹配该正则表达式的字符串，放在一个列表中。

建立自己的字符分类

有时候你想匹配一组字符，但缩写的字符分类（d、w、s 等）太宽泛。你可以用方括号定义自己的字符分类。例如，字符分类[aeiouAEIOU]将匹配所有元音字符，不论大小写。在交互式环境中输入以下代码：

>>> vowelRegex = re.compile(r'[aeiouAEIOU]')
>>> vowelRegex.findall('RoboCop eats baby food. BABY FOOD.')
['o', 'o', 'o', 'e', 'a', 'a', 'o', 'o', 'A', 'O', 'O'] 

• 1
• 2
• 3

也可以使用短横表示字母或数字的范围。例如，字符分类[a-zA-Z0-9]将匹配所有小写字母、大写字母和数字。 请注意，在方括号内，普通的正则表达式符号不会被解释。这意味着，你不需要前面加上倒斜杠转义.、*、?或字符。例如，字符分类将匹配数字 0 到 5 和一个句点。你不需要将它写成[0-5.]。 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。例如，在交互式环境中输入以下代码：

>>> 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', '.']

• 1
• 2
• 3
• 4

现在，不是匹配所有元音字符，而是匹配所有非元音字符。

插入字符和美元字符

• （^），表明匹配必须发生在被查找文本开始处。
• （$），表示该字符串必须以这个正则表达式的模式结束。
  可以同时使用^和$，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。正则表达式r’^Hello’匹配以’Hello’开始的字符串。在交互式环境中输入以下代码：

>>> beginsWithHello = re.compile(r'^Hello')
>>> beginsWithHello.search('Hello world!')
<_sre.SRE_Match object; span=(0, 5), match='Hello'>
>>> beginsWithHello.search('He said hello.') == None
True

• 1
• 2
• 3
• 4
• 5

正则表达式r’d$’匹配以数字 0 到 9 结束的字符串。在交互式环境中输入以下代码：

>>> endsWithNumber = re.compile(r'd$')
>>> endsWithNumber.search('Your number is 42')
<_sre.SRE_Match object; span=(16, 17), match='2'>

• 1
• 2
• 3

正则表达式r’^d+$’匹配从开始到结束都是数字的字符串。在交互式环境中输入以下代码：

>>> wholeStringIsNum = re.compile(r'^d+$')
>>> wholeStringIsNum.search('1234567890')
<_sre.SRE_Match object; span=(0, 10), match='1234567890'>
>>> wholeStringIsNum.search('12345xyz67890') == None
True
>>> wholeStringIsNum.search('12 34567890') == None
True

• 1
• 2
• 3
• 4
• 5
• 6
• 7

前面交互式脚本例子中的最后两次search()调用表明，如果使用了^和$，那么整个字符串必须匹配该正则表达式。

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。例如，在交互式环境中输入以下代码：

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

• 1
• 2
• 3

要记住，句点字符只匹配一个字符

用点-星匹配所有字符

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”。在交互式环境中输入以下代码：

>>> 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'

• 1
• 2
• 3
• 4
• 5
• 6

点-星使用“贪心”模式：它总是匹配尽可能多的文本。要用“非贪心”模式匹配所有文本，就使用点-星和问号。

>>> nongreedyRegex = re.compile(r'<.*?>')
>>> mo = nongreedyRegex.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man>'
>>> greedyRegex = re.compile(r'<.*>')
>>> mo = greedyRegex.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man> for dinner.>'

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

两个正则表达式都可以翻译成“匹配一个左尖括号，接下来是任意字符，接下来是一个右尖括号”。但是字符串for dinner.>对右肩括号有两种可能的匹配。在非贪心的正则表达式中，Python 匹配最短可能的字符串：<To serve man>。在贪心版本中，Python 匹配最长可能的字符串：<To serve man> for dinner.>。

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.'

• 1
• 2
• 3
• 4
• 5
• 6
• 7

不区分大小写的匹配

要让正则表达式不区分大小写，可以向re.compile()传入 re.IGNORECASE 或 re.I，作为第二个参数。 在交互式环境中输入以下代码：

>>> robocop = re.compile(r'robocop', re.I)
>>> robocop.search('RoboCop is part man, part machine, all cop.').group()
'RoboCop'
>>> robocop.search('ROBOCOP protects the innocent.').group()
'ROBOCOP' 

• 1
• 2
• 3
• 4
• 5

用 sub方法替换字符串

第一个参数是一个字符串，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。例如，在交互式环境中输入以下代码：

>>> 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.'

• 1
• 2
• 3

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****'作为 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.'

• 1
• 2
• 3
• 4

管理复杂的正则表达式

忽略正则表达式字符串中的空白符和注释，可以向re.compile()传入变量 re.VERBOSE，作为第二个参数。

phoneRegex = re.compile(r'''(
 (d{3}|(d{3}))? # area code
 (s|-|.)? # separator
 d{3} # first 3 digits
 (s|-|.) # separator
 d{4} # last 4 digits
 (s*(ext|x|ext.)s*d{2,5})? # extension
 )''', re.VERBOSE)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

请注意，前面的例子使用了三重引号'''，创建了一个多行字符串。这样就可以将正则表达式定义放在多行中，让它更可读。

组合使用 re.IGNOREC ASE、re.DOTALL 和 re.VERBOSE

可以使用管道字符（|）将变量组合起来，从而绕过这个限制。管道字符在这里称为“按位或”操作符。所以，如果希望正则表达式不区分大小写，并且句点字符匹配换行，就可以这样构造re.compile调用：

>>> someRegexValue = re.compile('foo', re.IGNORECASE | re.DOTALL)