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
在Python中需要通过正则表达式对字符串进行匹配的时候，可以使用一个模块，名字为re
1. re模块的使用过程
# 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。
2. re模块示例(匹配以itcast开头的语句)
import re result = re.match("itcast", "itcast.cn") print(result.group())
运行结果为：
itcast
3. 说明
- re.match() 能够匹配出以xxx开头的字符串
表示字符
在上一小节中，了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节，将要讲解正则表达式的单字符匹配
| 字符 | 功能 |
|---|---|
| . | 匹配任意1个字符（除了 ） |
| [ ] | 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 |
示例1： .
import re ret = re.match(".","a") print(ret.group()) ret2 = re.match(".","b") print(ret2.group()) ret3 = re.match(".","M") print(ret3.group())
运行结果：
a
b
M
示例2：[ ]
import re # 如果hello的首字符小写，那么正则表达式需要小写的h ret = re.match("h", "hello Python") print(ret.group()) # 如果hello的首字符大写，那么正则表达式需要大写的H ret2 = re.match("H", "Hello Python") print(ret2.group()) # 大小写h都可以的情况 ret3 = re.match("[hH]", "hello Python") print(ret3.group()) ret4 = re.match("[hH]", "Hello Python") print(ret4.group()) # 匹配0到9第一种写法 ret5 = re.match("[0123456789]", "7Hello Python") print(ret5.group()) # 匹配0到9第二种写法 ret6= re.match("[0-9]", "7Hello Python") print(ret6.group())
运行结果：
h H h H 7 7
示例3：d
import re # 普通的匹配方式 ret = re.match("嫦娥1号","嫦娥1号发射成功") print(ret.group()) ret = re.match("嫦娥2号","嫦娥2号发射成功") print(ret.group()) ret = re.match("嫦娥3号","嫦娥3号发射成功") print(ret.group()) # 使用d进行匹配 ret = re.match("嫦娥d号","嫦娥1号发射成功") print(ret.group()) ret = re.match("嫦娥d号","嫦娥2号发射成功") print(ret.group()) ret = re.match("嫦娥d号","嫦娥3号发射成功") print(ret.group())
运行结果：
嫦娥1号
嫦娥2号
嫦娥3号
嫦娥1号
嫦娥2号
嫦娥3号
说明
- 其他的匹配符参见后面章节的讲解
原始字符串
>>> mm = "c:\a\b\c" >>> mm 'c:\a\b\c' >>> print(mm) c:ac >>> print(mm) c:ac >>> re.match("c:\\",mm).group() 'c:\' >>> ret = re.match("c:\\",mm).group() >>> print(ret) c: >>> ret = re.match("c:\\a",mm).group() >>> print(ret) c:a >>> ret = re.match(r"c:\a",mm).group() >>> print(ret) c:a >>> ret = re.match(r"c:a",mm).group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>>
说明
Python中字符串前面加上 r 表示原生字符串，
与大多数编程语言相同，正则表达式里使用""作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符""，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题，有了原始字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
>>> ret = re.match(r"c:\a",mm).group() >>> print(ret) c:a
表示数量
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：*
需求：匹配出，一个字符串第一个字母为大小字符，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("[A-Z][a-z]*","Mm") print(ret.group()) ret = re.match("[A-Z][a-z]*","Aabcdef") print(ret.group())
运行结果：
Mm
Aabcdef
示例2：+
需求：匹配出，变量名是否有效
import re ret = re.match("[a-zA-Z_]+[w_]*","name1") print(ret.group()) ret = re.match("[a-zA-Z_]+[w_]*","_name") print(ret.group())
#匹配错误 ret = re.match("[a-zA-Z_]+[w_]*","2_name") print(ret.group())
运行结果：
name1 Traceback (most recent call last): _name File "F:/django/day12/new_test.py", line 11, in <module> print(ret.group()) AttributeError: 'NoneType' object has no attribute 'group'
示例3：?
需求：匹配出，0到99之间的数字
import re ret = re.match("[1-9]?[0-9]","7") print(ret.group()) ret = re.match("[1-9]?[0-9]","33") print(ret.group()) ret = re.match("[1-9]?[0-9]","09") print(ret.group())
运行结果：
7 33 0
示例4：{m}
需求：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("[a-zA-Z0-9_]{6}","12a3g45678") print(ret.group()) ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66") print(ret.group())
运行结果：
12a3g4
1ad12f23s34455ff66
表示边界
| 字符 | 功能 |
|---|---|
| ^ | 匹配字符串开头 |
| $ | 匹配字符串结尾 |
| 匹配一个单词的边界 | |
| B | 匹配非单词边界 |
示例1：$
需求：匹配163.com的邮箱地址
import re # 正确的地址 ret = re.match("[w]{4,20}@163.com", "xiaoWang@163.com") print(ret.group()) # 不正确的地址 ret = re.match("[w]{4,20}@163.com", "xiaoWang@163.comheihei") print(ret.group()) # 通过$来确定末尾 ret = re.match("[w]{4,20}@163.com$", "xiaoWang@163.comheihei") print(ret.group())
示例2:
>>> re.match(r".*ver", "ho ver abc").group() 'ho ver' >>> re.match(r".*ver", "ho verabc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*ver", "hover abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>>
示例3：B
>>> re.match(r".*BverB", "hoverabc").group() 'hover' >>> re.match(r".*BverB", "ho verabc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*BverB", "hover abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*BverB", "ho ver abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> 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 |
um |
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：|
需求：匹配出0-100之间的数字
import re ret = re.match("[1-9]?d","8") print(ret.group()) ret = re.match("[1-9]?d","78") print(ret.group()) # 不正确的情况 ret = re.match("[1-9]?d","08") print(ret.group()) # 修正之后的 ret = re.match("[1-9]?d$","08") print(ret.group()) # 添加| ret = re.match("[1-9]?d$|100","8") print(ret.group()) ret = re.match("[1-9]?d$|100","78") print(ret.group()) ret = re.match("[1-9]?d$|100","08") print(ret.group()) ret = re.match("[1-9]?d$|100","100") print(ret.group())
示例2：( )
需求：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") print(ret.group()) ret = re.match("w{4,20}@(163|126|qq).com", "test@126.com") print(ret.group())
#匹配错误 ret = re.match("w{4,20}@(163|126|qq).com", "test@qq.com") print(ret.group())
练习：
>>> ret = re.match("([^-]*)-(d+)","010-12345678") >>> ret.group() '010-12345678' >>> ret.group(1) '010' >>> ret.group(2) '12345678'
示例3：
需求：匹配出<html>hh</html>
import re # 能够完成对正确的字符串的匹配 ret = re.match("<[a-zA-Z]*>w*</[a-zA-Z]*>", "<html>hh</html>") print(ret.group()) # 如果遇到非正常的html格式字符串，匹配出错 ret = re.match("<[a-zA-Z]*>w*</[a-zA-Z]*>", "<html>hh</htmlbalabala>") print(ret.group()) # 正确的理解思路：如果在第一对<>中是什么，按理说在后面的那对<>中就应该是什么 # 通过引用分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式 ret = re.match(r"<([a-zA-Z]*)>w*</1>", "<html>hh</html>") print(ret.group()) # 因为2对<>中的数据不一致，所以没有匹配出来 ret = re.match(r"<([a-zA-Z]*)>w*</1>", "<html>hh</htmlbalabala>") print(ret.group())
示例4： umber
需求：匹配出<html><h1>www.itcast.cn</h1></html>
import re ret = re.match(r"<(w*)><(w*)>.*</2></1>", "<html><h1>www.itcast.cn</h1></html>") print(ret.group())
#匹配错误 ret = re.match(r"<(w*)><(w*)>.*</2></1>", "<html><h1>www.itcast.cn</h2></html>") print(ret.group())
示例5：(?P<name>) (?P=name)
需求：匹配出<html><h1>www.itcast.cn</h1></html>
import re #匹配正确 ret = re.match(r"<(?P<name1>w*)><(?P<name2>w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>") print(ret.group()) #匹配错误 ret = re.match(r"<(?P<name1>w*)><(?P<name2>w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h2></html>") print(ret.group())
注意：(?P<name>)和(?P=name)中的字母p大写
re模块的高级用法
search
需求：匹配出文章阅读的次数
import re ret = re.search(r"d+", "阅读次数为 9999") print(ret.group())
运行结果：
9999
findall
需求：统计出python、c、c++相应文章阅读的次数
import re ret = re.findall(r"d+", "python = 9999, c = 7890, c++ = 12345") print(ret)
运行结果：
['9999', '7890', '12345']
sub 将匹配到的数据进行替换
需求：将匹配到的阅读次数加1
方法1：
import re ret = re.sub(r"d+", '998', "python = 997") print(ret)
运行结果：
python = 998
方法2：
import re def add(temp): strNum = temp.group() num = int(strNum) + 1 return str(num) ret = re.sub(r"d+", add, "python = 997") print(ret) ret = re.sub(r"d+", add, "python = 99") print(ret)
运行结果：
python = 998 python = 100
split 根据匹配进行切割字符串，并返回一个列表
需求：切割字符串“info:xiaoZhang 33 shandong”
import re ret = re.split(r":| ","info:xiaoZhang 33 shandong") print(ret)
运行结果：
['info', 'xiaoZhang', '33', 'shandong']
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(1) '4-235-22-423' >>> r=re.match(".+?(d+-d+-d+-d+)",s) >>> r.group(1) '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(1) '2343' >>> re.match(r"aa(d+?)","aa2343ddd").group(1) '2' >>> re.match(r"aa(d+)ddd","aa2343ddd").group(1) '2343' >>> re.match(r"aa(d+?)ddd","aa2343ddd").group(1) '2343' >>>