【Python】正则表达式

元字符

常见正则表达式符号

符号	描述	示例
literal	匹配文本字符串的字面值literal	py
re1|re2	匹配 re1 或 re2	foo|bar
.	匹配任意字符（除\n）	py.n
^	匹配字符串起始部分	^Dear
$	匹配字符串终止部分	.*.jpg$
*	匹配0次或多次前面的模式	[A-Za-z0-9]*
+	匹配1次或多次前面的模式	[a-z]+.com
?	匹配0次或1次前面的模式	goo?
{N}	匹配N次前面的模式	[0-9]{3}
{M,N}	匹配M~N次前面的模式	[0-9]{5,9}
[…]	匹配来自字符集的任意单一字符	[aeiou]
[…x-y..]	匹配x-y范围中的任意单一字符	[A-Za-z]
[^…]	不匹配此字符集出现的任何单一字符	[^aeiou],[^A-Za-z]
(*|+|?|{})?	匹配重复模式的非贪婪版本（*、+、?、{}为重复模式）	.*?[a-z]
(…)	匹配封闭的模式，然后另存为子组	([0-9]{3}?)

常用特殊字符

符号	描述	示例
\d	匹配任何十进制数字，等价于[0-9],\D与之相反	data\d+.txt
\w	匹配任何字母数字字符，等价于[A-Za-z0-9]，\W与之相反	word\w+.txt
\s	匹配任何空格字符，\S与之相反	of\sthe
\b	匹配任何单词边界，\B与之相反	\bThe\b
\c	匹配任何特殊字符（转义）	., \, *
\A(\Z)	匹配字符串的起始（结束）	\ADear

1）贪婪/非贪婪版本

正则表达式默认会进行贪婪匹配，即在多钟长度的匹配字符串中选择较长的哪一个

re.findall('py*','pyyyy')
-> ['pyyyy']
re.findall('py{2,}', 'pyyyy')
-> ['pyyyy']
re.findall('py{1,3}', 'pyyyy')
-> ['pyyy']

在不定次数的正则表达式后添加一个？就表示非贪婪匹配

re.findall('py*?','pyyyy')
-> ['p']
re.findall('py{2,}?', 'pyyyy')
-> ['pyy']
re.findall('py{1,3}?', 'pyyyy')
-> ['py']

2）捕获组

可以对正则表达式用()分组以方便索引

捕获组有 普通捕获组 和 命名捕获组 两种

# 普通捕获组
# 以数字为编号规则
p=re.compile('(a(b)c)d')
m=p.match('abcd')
m.group(0)
-> 'abcd'
m.group(1)
-> 'abc'
m.group(2)
-> 'b'
m.groups()
-> ('abc', 'b')

# 命名捕获组
# 对每个组显式命名以方便索引
# 形式：(?P<name>...)
p=re.compile('(?P<year>\d{4})-(?P<date>\d{2})-(?P<day>\d\d)')
m=p.match('2018-01-15')
m.group('date')
-> 01

3）非捕获组

仅匹配，但不保存该分组

方便理解正则表达式层次

p=re.compile('(?:\d{4})-(?P<date>\d{2})-(?P<day>\d\d)')
m=p.match('2018-01-15')
m.groups()
-> ('01', '15')

Python中使用正则表达式

1）import re 模块

2）使用 match、serach、findall、finditer方法进行匹配

编译

允许不对模式做编译而直接匹配，但预编译可以带来性能的提升

import re
p = re.compile(pattern, flags=0)
# p.match

匹配

# match 按照 pattern 从 string 开始位置进行匹配
re.match(pattern, string, flags=0)

# search 按照 pattern 从 string 中任意位置进行匹配
re.search(pattern, string, flags=0)

# findall 按照 pattern 找到 string 中所有匹配，并返回列表
re.findall(pattern, string[, flags])

# finditer 与 findall 类似，但返回迭代器
re.finditer(pattern, string[, flags]

替换

# sub 按照 pattern 将 string 中的模式换成 repl，并可限定替换次数 count
# subn 返回替换数目

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

re.sub('[ae]', 'x', 'abcdef')
-> 'xbcdxf'
re.subn('[ae]', 'x', 'abcdef')
-> ('xbcdxf', 2)

分隔

# 按照 pattern 分隔 string
re.split(pattern, string, max=0)

flags

re.I / re.IGNORECASE：不区分大小写

re.M / re.MULTILINE：^和$分别匹配字符串中行的起始和结尾，而不是严格匹配整个字符串的起始和结尾

re.S / re.DOTALL：点号能够匹配全部字符（否则会排除\n）