【Python】一文读懂Python正则表达式常用用法
点击上方“AI遇见机器学习”,选择“星标”公众号
重磅干货,第一时间送达
编辑:爱学AI
来源:geekvi 链接:
www.segmentfault.com/a/1190000007929344
简介
正则表达式(regular expression)是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串,可以匹配其自身。比如,正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。
要注意的是,正则表达式并不是一个程序,而是用于处理字符串的一种模式,如果你想用它来处理字符串,就必须使用支持正则表达式的工具,比如 Linux 中的 awk, sed, grep,或者编程语言 Perl, Python, Java 等等。
正则表达式有多种不同的风格,下表列出了适用于 Python 或 Perl 等编程语言的部分元字符以及说明:
re 模块
在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。
有一点需要特别注意的是,正则表达式使用 对特殊字符进行转义,比如,为了匹配字符串 python.org ,我们需要使用正则表达式 python.org ,而 Python 的字符串本身也用 转义,所以上面的正则表达式在 Python 中应该写成 python.org ,这会很容易陷入 的困扰中,因此,我们建议使用 Python 的原始字符串,只需加一个 r 前缀,上面的正则表达式可以写成:
r python.org
re 模块提供了不少有用的函数,用以匹配字符串,比如:
compile 函数
match 函数
search 函数
findall 函数
finditer 函数
split 函数
sub 函数
subn 函数
re 模块的一般使用步骤如下:
使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象
通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象)
最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作
compile 函数
compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:
re.compile(pattern[, flag])
其中,pattern 是一个字符串形式的正则表达式,flag 是一个可选参数,表示匹配模式,比如忽略大小写,多行模式等。
下面,让我们看看例子。
import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r d+ )
在上面,我们已将一个正则表达式编译成 Pattern 对象,接下来,我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。Pattern 对象的一些常用方法主要有:
match 方法
search 方法
findall 方法
finditer 方法
split 方法
sub 方法
subn 方法
match 方法
match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。它的一般使用形式如下:
match(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
看看例子。
>>> import re
>>> pattern = re.compile(r d+ ) # 用于匹配至少一个数字
>>> m = pattern.match( one12twothree34four ) # 查找头部,没有匹配
>>> print m
None
>>> m = pattern.match( one12twothree34four , 2, 10) # 从 e 的位置开始匹配,没有匹配
>>> print m
None
>>> m = pattern.match( one12twothree34four , 3, 10) # 从 1 的位置开始匹配,正好匹配
>>> print m # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0) # 可省略 0
12
>>> m.start(0) # 可省略 0
3
>>> m.end(0) # 可省略 0
5
>>> m.span(0) # 可省略 0
(3, 5)
在上面,当匹配成功时返回一个 Match 对象,其中:
group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;
span([group]) 方法返回 (start(group), end(group))。
再看看一个例子:
>>> import re
>>> pattern = re.compile(r ([a-z]+) ([a-z]+) , re.I) # re.I 表示忽略大小写
>>> m = pattern.match( Hello World Wide Web )
>>> print m # 匹配成功,返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整个子串
Hello World
>>> m.span(0) # 返回匹配成功的整个子串的索引
(0, 11)
>>> m.group(1) # 返回第一个分组匹配成功的子串
Hello
>>> m.span(1) # 返回第一个分组匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二个分组匹配成功的子串
World
>>> m.span(2) # 返回第二个分组匹配成功的子串
(6, 11)
>>> m.groups() # 等价于 (m.group(1), m.group(2), ...)
( Hello , World )
>>> m.group(3) # 不存在第三个分组
Traceback (most recent call last):
File "", line 1, in <module>
IndexError: no such group
search 方法
search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
让我们看看例子:
>>> import re
>>> pattern = re.compile( d+ )
>>> m = pattern.search( one12twothree34four ) # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
12
>>> m = pattern.search( one12twothree34four , 10, 30) # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
34
>>> m.span()
(13, 15)
再来看一个例子:
# -*- coding: utf-8 -*-
import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r d+ )
# 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
m = pattern.search( hello 123456 789 )
if m:
# 使用 Match 获得分组信息
print matching string: ,m.group()
print position: ,m.span()
执行结果:
matching string: 123456
position: (6, 12)
findall 方法
上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。
看看例子:
import re
pattern = re.compile(r d+ ) # 查找数字
result1 = pattern.findall( hello 123456 789 )
result2 = pattern.findall( one1two2three3four4 , 0, 10)
print result1
print result2
执行结果:
[ 123456 , 789 ]
[ 1 , 2 ]
finditer 方法
finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。
看看例子:
# -*- coding: utf-8 -*-
import re
pattern = re.compile(r d+ )
result_iter1 = pattern.finditer( hello 123456 789 )
result_iter2 = pattern.finditer( one1two2three3four4 , 0, 10)
print type(result_iter1)
print type(result_iter2)
print result1...
for m1 in result_iter1: # m1 是 Match 对象
print matching string: {}, position: {} .format(m1.group(), m1.span())
print result2...
for m2 in result_iter2:
print matching string: {}, position: {} .format(m2.group(), m2.span())
执行结果:
<type callable-iterator >
<type callable-iterator >
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)
split 方法
split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用于指定最大分割次数,不指定将全部分割。
看看例子:
import re
p = re.compile(r [s,;]+ )
print p.split( a,b;; c d )
执行结果:
[ a , b , c , d ]
sub 方法
sub 方法用于替换。它的使用形式如下:
sub(repl, string[, count])
其中,repl 可以是字符串也可以是一个函数:
如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;
如果 repl 是函数,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。
看看例子:
import re
p = re.compile(r (w+) (w+) )
s = hello 123, hello 456
def func(m):
return hi + + m.group(2)
print p.sub(r hello world , s) # 使用 hello world 替换 hello 123 和 hello 456
print p.sub(r , s) # 引用分组
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替换一次
执行结果:
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
subn 方法
subn 方法跟 sub 方法的行为类似,也用于替换。它的使用形式如下:
subn(repl, string[, count])
它返回一个元组:
(sub(repl, string[, count]), 替换次数)
元组有两个元素,第一个元素是使用 sub 方法的结果,第二个元素返回原字符串被替换的次数。
看看例子:
import re
p = re.compile(r (w+) (w+) )
s = hello 123, hello 456
def func(m):
return hi + + m.group(2)
print p.subn(r hello world , s)
print p.subn(r , s)
print p.subn(func, s)
print p.subn(func, s, 1)
执行结果:
( hello world, hello world , 2)
( 123 hello, 456 hello , 2)
( hi 123, hi 456 , 2)
( hi 123, hello 456 , 1)
其他函数
事实上,使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的,但在使用上有细微差别。
match 函数
match 函数的使用形式如下:
re.match(pattern, string[, flags]):
其中,pattern 是正则表达式的字符串形式,比如 d+, [a-z]+。
而 Pattern 对象的 match 方法使用形式是:
match(string[, pos[, endpos]])
可以看到,match 函数不能指定字符串的区间,它只能搜索头部,看看例子:
import re
m1 = re.match(r d+ , One12twothree34four )
if m1:
print matching string: ,m1.group()
else:
print m1 is: ,m1
m2 = re.match(r d+ , 12twothree34four )
if m2:
print matching string: , m2.group()
else:
print m2 is: ,m2
执行结果:
m1 is: None
matching string: 12
search 函数
search 函数的使用形式如下:
re.search(pattern, string[, flags])
search 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 search 方法类似。
findall 函数
findall 函数的使用形式如下:
re.findall(pattern, string[, flags])
findall 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 findall 方法类似。
看看例子:
import re
print re.findall(r d+ , hello 12345 789 )
# 输出
[ 12345 , 789 ]
finditer 函数
finditer 函数的使用方法跟 Pattern 的 finditer 方法类似,形式如下:
re.finditer(pattern, string[, flags])
split 函数
split 函数的使用形式如下:
re.split(pattern, string[, maxsplit])
sub 函数
sub 函数的使用形式如下:
re.sub(pattern, repl, string[, count])
subn 函数
subn 函数的使用形式如下:
re.subn(pattern, repl, string[, count])
到底用哪种方式
从上文可以看到,使用 re 模块有两种方式:
使用 re.compile 函数生成一个 Pattern 对象,然后使用 Pattern 对象的一系列方法对文本进行匹配查找;
直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找;
下面,我们用一个例子展示这两种方法。
先看第 1 种用法:
import re
# 将正则表达式先编译成 Pattern 对象
pattern = re.compile(r d+ )
print pattern.match( 123, 123 )
print pattern.search( 234, 234 )
print pattern.findall( 345, 345 )
再看第 2 种用法:
import re
print re.match(r d+ , 123, 123 )
print re.search(r d+ , 234, 234 )
print re.findall(r d+ , 345, 345 )
如果一个正则表达式需要用到多次(比如上面的 d+),在多种场合经常需要被用到,出于效率的考虑,我们应该预先编译该正则表达式,生成一个 Pattern 对象,再使用该对象的一系列方法对需要匹配的文件进行匹配;而如果直接使用 re.match, re.search 等函数,每次传入一个正则表达式,它都会被编译一次,效率就会大打折扣。
因此,我们推荐使用第 1 种用法。
匹配中文
在某些情况下,我们想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围 主要在 [u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。
假设现在想把字符串 title = u 你好,hello,世界 中的中文提取出来,可以这么做:
# -*- coding: utf-8 -*-
import re
title = u 你好,hello,世界
pattern = re.compile(ur [一-龥]+ )
result = pattern.findall(title)
print result
注意到,我们在正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。
执行结果:
[u 你好 , u 世界 ]
贪婪匹配
在 Python 中,正则匹配默认是贪婪匹配(在少数语言中可能是非贪婪),也就是匹配尽可能多的字符。
比如,我们想找出字符串中的所有 div 块:
import re
content = aa
test1
bb
test2
cc
pattern = re.compile(r
.*
)
result = pattern.findall(content)
print result
执行结果:
[
test1
bb
test2
]
由于正则匹配是贪婪匹配,也就是尽可能多的匹配,因此,在成功匹配到第一个
时,它还会向右尝试匹配,查看是否还有更长的可以成功匹配的子串。
如果我们想非贪婪匹配,可以加一个 ?,如下:
import re
content = aa
test1
bb
test2
cc
pattern = re.compile(r
.*?
)# 加上 ?
result = pattern.findall(content)
print result
结果:
[
test1
,
test2
]
小结
re 模块的一般使用步骤如下:
使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象;
通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象);
最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作;
Python 的正则匹配默认是贪婪匹配。
参考资料
正则表达式 – 维基百科
Python正则表达式指南
欢迎关注我们,看通俗干货!
【Python】一文读懂Python正则表达式常用用法相关推荐
- python读取枚举_一文读懂Python 枚举
enum是一组绑定到唯一常数值的符号名称,并且具备可迭代性和可比较性的特性.我们可以使用 enum 创建具有良好定义的标识符,而不是直接使用魔法字符串或整数,也便于开发工程师的代码维护. 创建枚举 我 ...
- python输入什么就输出什么_一文读懂Python的输入和输出
本文介绍了Python的输入和输出,既然是Python代码,那么就一定有输出量,那么,Python是如何输出的呢? 输出 用print()在括号中加上字符串,就可以向屏幕上输出指定的文字.比如输出'h ...
- matlab运行stata命令,一文读懂108个常用stata命令
原标题:一文读懂108个常用stata命令 本文由计量经济学服务中心编辑整理,转载请注明出处.下面命令按照重要程度以及相关分析方法步骤等依次列出. Some useful Stata commands ...
- 带你自学Python系列(九):一文读懂Python中字典应用原理!
↑ 点击上方[计算机视觉联盟]关注我们 今天是小编持续更新关于Python的知识总结以及Python实践项目应用的第9天,带你利用零碎时间自学最受欢迎的编程语言之一Python语言.你和小编一起打卡了 ...
- 一文读懂python本地开发环境配置
python和java包管理的不同 java java需要安装jdk,我们通常使用maven进行包管理,有中央仓库,有本地仓库,项目优先从本地仓库拉取,拉不到会从远程仓库拉取,所有项目用到的包都会放在 ...
- 一文读懂 Python 开发环境配置
文章目录 Python 多版本管理 1. 多版本使用需求 2. Windows 下多版本管理[^1] 3. Linux 系统下多版本管理[^2] Python 虚拟环境配置 1. 原理和配置需求 操作 ...
- 不是python对文件的读操作方法的是-一文读懂Python对文件的各种操作方式-阿里云开发者社区...
文件操作:Python中的文件对象不仅可以用来访问普通的磁盘文件,而且也可以访问任何其它类型抽象层面上的"文件". 通过Python程序来对计算机中的各种文件进行增删改查的操作,也 ...
- 一文读懂Python web框架和web服务器之间的关系
我们都知道 Python 作为一门强大的语言,能够适应快速原型和较大项目的制作,因此被广泛用于 web 应用程序的开发中. 在面试的过程中,大家或多或少都被问到过这样一个问题:一个请求从浏览器发出到数 ...
- 一文读懂Python进程间通信的几种方式
为什么进程之间需要通信? 1.数据传输 一个进程需要将它的数据发送给另一个进程; 2.资源共享 多个进程之间共享同样的资源; 3.事件通知 一个进程需要向另一个或一组进程发送消息,通知它们发生了某种事 ...
最新文章
- WMI技术介绍和应用——查询桌面信息
- R语言使用pheatmap绘制热力图(数据归一化、行列聚类、注释、文字角度、字体)
- 百度今晨7:20分“宕机”
- ios程序内发送邮件的代码
- CSS3 box flex 布局
- ABAP开发者上云的时候到了 - 现在大家可以免费使用SAP云平台ABAP环境的试用版了
- 信息学奥赛一本通(2047:【例5.16】过滤空格)
- linux做完sftp端口分离后ftp,Linux 中实现文件传输服务(FTP、SFTP)
- python mmap_python标准库基础之mmap:内存映射文件
- 云服务器里存放数据安全吗
- 女儿拿着小天才电话手表问我App启动流程
- 【解决方法】如何压缩网页字体文件
- sam格式的结构和意义_SAM格式说明
- python三种运算符_Python 海象运算符 (:=) 的三种用法
- 说好的30天直播生死呢?--第一章 我的小伙伴们(一)
- C语言:指针三(线性表的存储结构)
- 梅姨一定想不到 中国人最爱的英国货竟然是一本童书
- 微信小程序里的block
- 2016年度最受欢迎中国开源软件评选 - 开源中国社区
- Java-自定义占位符替换工具类
热门文章
- atitit. 文件上传带进度条 atiUP 设计 java c# php
- 第一回写的用arraylist模拟栈操作
- springmvc前台String转后台Date
- areas where akka is being deployed into production
- [LeetCode] Longest Palindromic Substring
- MASM32_SDKv10以及一些帮大家打包的东西
- 我看ITIL在中国(三):嫁接的精髓
- 数据库基础-数据库引擎
- 乾坤 微前端_微前端架构初探以及我的前端技术盘点
- 哈工大中文信息处理_【NLP】哈工大车万翔教授 自然语言处理NLPer的核心竞争力是什么?19页ppt...