Python 笔记：正则表达式

正则表达式（regular expression，regex，RE）可以用来匹配、检索、分割和替换具有某种特征的字符串，如邮箱、IP 地址、电话号码等，使用方便，效率很高。

特点

正则表达式能够凝练字符串的特征
是通用的字符串表达框架
是简洁表达一组字符串的表达式
可以判断某个字符串的特征归属，是否具有这个特征

作用

表达文本类型的特征
同时查找或替换一组字符串
匹配字符串的全部或部分

正则表达式由字符和操作符构成，基本和常用的正则表达式操作符如下：

操作符	说明	例子
`.`	表示任何单个字符
`[]`	给出单个字符的取值范围	`[abc]`：a 或 b 或 c，`[a-z]`：a-z 单个字母
`[^]`	排除此取值范围	`[^abc]`：非 a 或 b 或 c
`*`	前一个字符出现 `>=0` 次	`abc*`：ab、abc、abcc、abccc 等
`+`	前一个字符出现 `>=1` 次	`abc+`：abc、abcc、abccc 等
`?`	前一个字符出现 `0` 或 `1` 次	`abc?`：ab、abc
`\|`	左右表达式中的一个	`abc\|def`：abc、def
`{m}`	前一个字符出现 `m` 次	`ab{2}c`：abbc
`{n,}`	前一个字符出现 `>=n` 次	`ab{2,}c`：abbc、abbbc、abbbbc 等
`{m,n}`	前一个字符出现 `m-n` 次（含 `n`）	`ab{1,3}c`：abc、abbc、abbbc
`^`	匹配字符串的开头	`^123`：字符串以 123 开头
`$`	匹配字符串的结尾	`123$`：字符串以 123 结尾
`()`	分组标记，内部只能使用 `\|`	`(abc)`：abc，`(abc\|def)`：abc、def
`\d`	数字，等价于 `[0-9]`
`\w`	单词字符，等价于 `[A-Za-z0-9_]`
`\D`	数字除外
`\W`	数字字母下划线除外
`\s`	任何空白字符，空格、制表符、换页符等。	等价于 `[\f\n\r\t\v]`
`\S`	任何非空白字符	等价于 `[^\f\n\r\t\v]`
`\`	转义字符	`\.`：普通的 .
`*?`	惰性匹配上一个	`'AbcE123'`, `'[0-9]*?'`：`''`
`+?`	惰性匹配上一个	`'AbcE123'`, `'[0-9]+?'`：`'1'`

经典实例

^[A-Za-z]+$：由字母组成的字符串

^[A-Za-z]+$：由字母和数字组成的字符串

^-?[1-9]\d*$：整数

^[1-9]\d*$：正整数

[\u4e00-\u9fa5]：匹配中文字符

`re.compile()` 函数

re.compile(pattern, flags=0)

flags：可选，表示匹配模式

re.I：忽略大小写
re.L：表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.M：多行模式
re.S：使得 . 包括换行符在内的任意字符（. 默认不包括换行符）
re.U：表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
re.X：为了增加可读性，忽略空格和 # 后面的注释

import re
string = '112AbCdEf122'
pattern = re.compile('[a-z]+', re.I)
re.search(pattern, string)
<re.Match object; span=(3, 9), match='AbCdEf'>

re.I 和 re.M 使用较多。

`re.match()` 函数

re.match(pattern, string, flags=0)

只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回 None，匹配成功时返回 match 对象。

match 对象常用方法：

group()：返回匹配的字符串
start()：返回匹配字符串开始的位置
end()：返回匹配字符串结束的位置
span ()：返回开始和结束位置
groups()：返回所有匹配的子串

前 4 个方法默认参数值为 0，可以手动设置为 1、2 等，对应选择出子表达式的内容。

string = 'abcFGc123'
pattern = re.compile('[a-z]+', re.I)
match = re.match(pattern, string)
match.group()
'abcFGc'
match.start()
0
match.end()
6
match.span()
(0, 6)

string = '11abcFGc123'
match = re.match(pattern, string)
type(match)
<class 'NoneType'> 只匹配字符串开始

`re.search()` 函数

re.search(pattern, string, flags=0)

与 re.match() 不同的是，re.search() 匹配整个字符串，直到找到一个匹配。

string = '11abcFGc123'
match = re.search(pattern, string)
type(match)
<class 're.Match'>
match.group()
# 'abcFGc'

`re.findall()` 函数

re.findall(pattern, string, flags=0)

string: 待匹配的字符串
pos：可选参数，指定字符串的起始位置，默认为 0
endpos：可选参数，指定字符串的结束位置，默认为字符串的长度

以列表形式返回所有匹配的字符串：

1 2	re.findall(r'[0-9]+', '2022年05月05日，阴') ['2022', '05', '05']

`re.finditer()` 函数

re.finditer(pattern, string, flags=0)

返回含有所有 match 对象的可迭代对象：

import re

temp = '2022年05月05日，阴'
it = re.finditer(r'\d+', temp)
for match in it:
    print(match, type(match), match.group())
<re.Match object; span=(0, 4), match='2022'> <class 're.Match'> 2022
<re.Match object; span=(5, 7), match='05'> <class 're.Match'> 05
<re.Match object; span=(8, 10), match='05'> <class 're.Match'> 05

`re.sub()` 函数

re.sub(pattern, repl, string, count=0, flags=0)

pattern：正则中的模式字符串。
repl：替换的字符串，也可为一个函数。
string：要被查找替换的原始字符串。
count：模式匹配后替换的最大次数，默认0 表示替换所有的匹配

匹配字符串并替换：

1 2	re.sub(r'\d+', '某', '2022年05月05日，阴') '某年某月某日，阴'

练习

"2004-959-559 # 这是一个国外电话号码"（1）去掉#和它之后的内容，（2）只保留数字

re.sub(r'#+.+', '', '2004-959-559 # 这是一个国外电话号码')
'2004-959-559 '
re.sub(r'[^\d]+', '', '2004-959-559 # 这是一个国外电话号码')
'2004959559'

将 "aabccaaadaaaa" 中连续的 a 替换成 b，替换后结果为 bbccbdb
1
2
re.sub(r'a+', 'b', 'aabccaaadaaaa')
'bbccbdb'
"A23G4HFD567"，将匹配的数字乘以 2
1

`re.split()` 函数

re.split(pattern, string, maxsplit=0, flags=0)

pattern：正则中的模式字符串
string：要分割的字符串
maxsplit：可选，分隔次数，maxsplit=1 分隔一次，默认为 0，不限制次数
flags：可选，表示匹配模式

匹配后分割字符串：

re.split(r'\d+', '2022年05月05日，阴')
['', '年', '月', '日，阴']
re.split(r'\d+', '2022年05月05日，阴', maxsplit=1)
['', '年05月05日，阴']

re.compile() 函数

re.match() 函数

re.search() 函数

re.findall() 函数

re.finditer() 函数

re.sub() 函数

re.split() 函数