正则表达式
正则表达式的作用和使用
字符串是编程时涉及到的最多的一种数据结构,对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址,虽然可以编程提取@
前后的子串,再分别判断是否是单词和域名,但这样做不但麻烦,而且代码难以复用。
正则表达式可以用来检索、替换那些符合某个模式(规则)的文本;可以通过一些设定的规则来匹配一些字符串,是一个强大的字符串匹配工具。它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,我们就认为它“匹配”了,否则,该字符串就是不合法的。
所以我们判断一个字符串是否是合法的Email的方法是:
1.创建一个匹配Email的正则表达式;
5.用该正则表达式去匹配用户的输入来判断是否合法。
!常用操作符
操作符 | 说明 | 实例 |
---|---|---|
. | 表示任何单个字符 | |
[] | 字符集,对单个字符给出取值范围 | [abc]表示a、b、c,[a-z]表示a到z单个字符 |
[^] | 非字符集,对单个字符给出排除范围 | [^abc]表示非a或b或c的单个字符 |
* | 前一个字符0次或无限次扩展 | abc*表示 ab、abc、abcc、abccc等 |
+ | 前一个字符1次或无限次扩展 | abc+ 表示 abc、abcc、abccc等 |
? | 前一个字符0次或1次扩展 | abc? 表示 ab、abc |
| | 左右表达式任意一个 | abc|def 表示 abc、def |
{m} | 扩展前一个字符m次 | ab{2}c表示abbc |
{m,n} | 扩展前一个字符m至n次(含n) | ab{1,2}c表示abc、abbc |
^ | 匹配字符串开头 | ^abc表示abc且在一个字符串的开头 |
$ | 匹配字符串结尾 | abc$表示abc且在一个字符串的结尾 |
( ) | 分组标记,内部只能使用|操作符 | (abc)表示abc,(abc|def)表示abc、def |
\d | 匹配一个数字字符,等价于[0-9] | |
\D | 匹配一个非数字字符。等价于[^0-9]。 | |
\w | 匹配包括下划线的任何单词字符,等价于[A-Za-z0-9_] | |
\W | 匹配任何非单词字符。等价于[^A-Za-z0-9_] |
!正则表达式经典实例
表达式 | 说明 |
---|---|
^[A-Za-z]+$ | 由26个字母组成的字符串 |
^[A-Za-z0-9]+$ | 由26个字母和数字组成的字符串 |
^-?\d+$ | 整数形式的字符串 |
^[0-9]*[1-9][0-9]*$ | 正整数形式的字符串 |
[1-9]\d{5} | 中国境内邮政编码,6位 |
[\u4e00-\u9fa5] | 匹配中文字符 |
>>> z = re.search(r'[\u4e00-\u9fa5]', 'zjs郑')
>>> z
结果:<re.Match object; span=(3, 4), match='郑'>
>>> z.group()
结果:'郑'
>>> z.string
结果:'zjs郑'
\u4e00-\u9fa5是用来判断是不是中文的一个条件,采用的是unicode编码。
中文的unicode的中文编码表中,第一个“4e00”,最后一行从“9fa0”,有5个,故为“9fa5”。
正则表达式的方法
1、因为正则表达式也是用字符串表示的,所以,我们要首先了解如何用字符来描述字符。
在正则表达式中,如果直接给出字符,就是精确匹配。用\d
可以匹配一个数字,\w
可以匹配一个字母或数字,所以:
'00\d'
可以匹配'007'
,但无法匹配'00A'
;
'\d\d\d'
可以匹配'010'
;
'\w\w\d'
可以匹配'py3'
;
.
可以匹配任意字符,所以:
'py.'
可以匹配'pyc'
、'pyo'
、'py!'
等等。
2、要匹配变长的字符,在正则表达式中,用*
表示匹配前面的任意个字符(包括0个),例如,zo*能匹配“z”以及“zoo”, 这里表示匹配0个o,或者多个o。用+
表示至少一个字符,用?
表示0个或1个字符,用{n}
表示n个字符,用{n,m}
表示n-m个字符:
来看一个复杂的例子:\d{3}\s+\d{3,8}
。
我们来从左到右解读一下:
1.\d{3}
表示匹配3个数字,例如'010'
;
2.\s
可以匹配一个空格(也包括Tab等空白符),所以\s+
表示至少有一个空格,例如匹配' '
,' '
等;
3.\d{3,8}
表示3-8个数字,例如'1234567'
。
综合起来,上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
如果要匹配'010-12345'
这样的号码呢?由于'-'
是特殊字符,在正则表达式中,要用'\'
转义,所以,上面的正则是\d{3}\-\d{3,8}
。
但是,仍然无法匹配'010 - 12345'
,因为带有空格。所以我们需要更复杂的匹配方式。
要做更精确地匹配,可以用[]
表示范围,比如:
[0-9a-zA-Z\_]
可以匹配一个数字、字母或者下划线;
[0-9a-zA-Z\_]+
可以匹配至少由一个数字、字母或者下划线组成的字符串,比如'a100'
,'0_Z'
,'Py3000'
等等;
[a-zA-Z\_][0-9a-zA-Z\_]*
可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量;
[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}
更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)。
A|B
可以匹配A或B,所以(P|p)ython
可以匹配'Python'
或者'python'
。
^
表示行的开头,^\d
表示必须以数字开头。
$
表示行的结束,\d$
表示必须以数字结束。
你可能注意到了,py
也可以匹配'python'
,但是加上^py$
就变成了整行匹配,就只能匹配'py'
了。
分组
除了简单地判断是否匹配之外,正则表达式还有提取子串的强大功能。用()
表示的就是要提取的分组(Group)。比如:
^(\d{3})-(\d{3,8})$
分别定义了两个组,可以直接从匹配的字符串中提取出区号和本地号码:
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
如果正则表达式中定义了组,就可以在match
对象上用group()
方法提取出子串来。
注意到group(0)
永远是原始字符串,group(1)
、group(2)
……表示第1、2、……个子串。
提取子串非常有用。来看一个更凶残的例子:
>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')
这个正则表达式可以直接识别合法的时间。但是有些时候,用正则表达式也无法做到完全验证,比如识别日期:
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'
对于'2-30'
,'4-31'
这样的非法日期,用正则还是识别不了,或者说写出来非常困难,这时就需要程序配合识别了。
!贪婪匹配
最后需要特别指出的是,正则匹配默认是贪婪匹配,也就是匹配尽可能多的字符。举例如下,匹配出数字后面的0
:
import re
print(re.match(r'^(\d+)(0*)$', '102300').groups())
结果:('102300', '')
由于\d+
采用贪婪匹配,直接把后面的0
全部匹配了,结果0*
只能匹配空字符串了。
必须让\d+
采用非贪婪匹配(也就是尽可能少匹配),才能把后面的0
匹配出来,加个?
就可以让\d+
采用非贪婪匹配:
import re
print(re.match(r'^(\d+?)(0*)$', '102300').groups())
结果:('1023', '00')
在Python中使用正则表达式
re模块
有了准备知识,我们就可以在Python中使用正则表达式了。Python提供re
模块,包含所有正则表达式的功能。由于Python的字符串本身也用\
转义,所以要特别注意:
s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成:
# 'ABC\-001'
因此我们强烈建议使用Python的r
前缀,就不用考虑转义的问题了:
s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变:
# 'ABC\-001'
先看看如何判断正则表达式是否匹配:
>>> import re
>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
<re.Match object; span=(0, 9), match='010-12345'>
>>>print(re.match(r'^\d{3}\-\d{3,8}$', '010 12345'))
结果:None
>>>print(re.match(r'^\d{3}\-\d{3,8}$','010-12'))
结果:None
match()
方法判断是否匹配,如果匹配成功,返回一个Match
对象,否则返回None
。常见的判断方法就是:
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
print('ok')
else:
print('failed')
例子:
test = input('用户输入的字符串:')
if re.match(r'^\d{3}\-\d{3,8}$', test):
print('ok')
else:
print('failed')
过程:用户输入的字符串:010-12345
结果:ok
re库的使用
raw string类型(原生字符串类型)
re库采用raw string类型表示正则表达式,表示为:r’text’
raw string是不包含对转义符再次转义的字符串
re库的另一种等价用法
函数式用法:一次性操作
>>> a = re.search(r'[1-9]\d{5}', 'ZZZ 100421')
>>> a
结果:<re.Match object; span=(4, 10), match='100421'>
↕↕↕↕↕
面向对象用法:编译后的多次操作
>>> pat = re.compile(r'[1-9]\d{5}')
>>> rst = pat.search('ZZZ 100421')
>>> rst
结果:<re.Match object; span=(4, 10), match='100421'>
Re库主要功能函数
1.re.search(pattern,string,flags=0)
在一个字符串中搜索匹配正则表达式的第一个位置返回match对象
>>> m = re.search(r'\d+','zzz123')
>>> m
结果:<re.Match object; span=(3, 6), match='123'>
>>> m.string
结果:'zzz123'
>>> m = re.match(r'\d+','zzz123')
>>> m
>>> m.string
结果:Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'string'
re.match与re.search的区别:
re.match 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,而 re.search 匹配整个字符串,直到找到一个匹配。
pattern:正则表达式的字符串或原生字符串表示
string:待匹配字符串
flags:正则表达式使用时的控制标记
flags:
(1)re.I 全写(re.IGNORECASE)
表示使匹配时,忽略大小
(2)re.M 全写(re.MULTILINE)
多行匹配,影响 ^ 和 $的行为
(3)re.S 全写(re.DOTALL)
使点(.)匹配包括换行在内的所有字符
(4)re.X 全写(re.VERBOSE)
这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。
(5)除以上标志外还有re.L和re.U,但不常用
(6)可以通过使用运算符“|“来指定多个标志,表示同时生效。
如: re.I | re.M被设置成I和M标志
>>> content = 'My username is zeke999!'
>>> import re
>>> re.search(r'zeke\d{3}', content, re.I | re.M)
结果:<re.Match object; span=(15, 22), match='zeke999'>
2.re.findall(pattern,string,flags=0)
搜索字符串,以列表类型返回全部能匹配的子串
>>> z = re.findall(r'\d+','xixixi 123 wowowo 456')
>>> z
结果:['123', '456']
pattern,string,flags同re.search的
3.re.split(pattern, string, maxsplit=0, flags=0)
split 方法按照能够匹配的子串将字符串分割后返回列表,如果用户输入了一组标签,可以用正则表达式来把不规范的输入转化成正确的数组。
用正则表达式切分字符串比用固定的字符更灵活,请看正常的切分代码:
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']
无法识别连续的空格,用正则表达式试试:
>>> re.split(r'\s+', 'a b c')
['a', 'b', 'c']
无论多少个空格都可以正常分割。加入,
试试:
>>> re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']
再加入;
试试:
>>> re.split(r'[\s\,\;]+', 'a,b;; c d')
['a', 'b', 'c', 'd']
单独:
>>> re.split('\W+', ' wowowo, xixixi.', 1)
结果:['', 'wowowo, xixixi.']
>>> re.split('\W+', ' wowowo, xixixi.')
结果:['', 'wowowo', 'xixixi', '']
>>> re.split('(\W+)', ' wowowo, xixixi.')
结果:['', ' ', 'wowowo', ', ', 'xixixi', '.', '']
前两个为必选参数,后两个为可选参数。
pattern,string,flags同re.search的
maxsplit: 最大分割数,剩余部分作为最后一个元素输出
4.re.finditer(pattern, string, flags=0)
和 findall 类似,在字符串中找到正则表达式所匹配的所有子串,并把它们作为一个迭代器返回。
import re
z = re.finditer(r'\d+','xixixi 123 wowowo 456')
for match in z:
print(match.group())
结果:
123
456
pattern,string,flags同re.search的
5.re.sub(pattern, repl, string, count=0, flags=0)
用于替换字符串中的匹配项
>>> temp = '20210224xixixi'
>>> z = re.sub(r'\D',"",temp) #\D:匹配一个非数字字符。等价于[^0-9]。
>>> z
结果:'20210224'
前三个为必选参数,后两个为可选参数。
pattern,string,flags同re.search的
repl : 替换匹配字符串的字符串
count : 匹配的最大替换次数
来源:freebuf.com 2021-02-25 18:41:31 by: Johnson666
请登录后发表评论
注册