zoukankan      html  css  js  c++  java
  • Python中的正则表达式

    一、正则表达式匹配规则

      下面是Python中正则表达式的一些匹配规则,图片资料来自CSDN:

    二、正则表达式相关注释

    2.1 如何快速理解正则表达式

      长时间不用正则表达式就会忘记,这里记录一下正则表达式的理解方法:

    (1)元字符。也就是上表中的“预定义字符集”,例如:d、D、w、W等等,表示一类基础的字符。

    (2)数量词。就是表示字符多少个的,例如:*(0至无限)、+(1至无限)、?(0~1次)这种。

    (3)非贪婪。默认都是贪婪的,通过加上一个?就表示0~1次,也就是非贪婪模式了,获取最小匹配集。其实?用{0,1}也是一样的,而*和+由于是上限无穷大所以{m, n}没法表示。

    (4)特殊符。用得少的可以先不掌握。有一些常用的:[a|b]可选a或者b、[^abc]非选集合。多试试就知道了。

    2.2 数量词的贪婪与非贪婪模式

      正则表达式通常用于在文本中查找匹配的字符串。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;非贪婪的则相反,总是尝试匹配尽可能少的字符。例如:

    正则表达式 目标字符串 贪婪模式匹配结果 非贪婪模式匹配结果
    ab* abbbc abbb a

    注:在爬虫脚本中一般采用非贪婪模式。常用的一种匹配模式“(.*?)”意思就是说任意个字符但尽可能的短。

    2.3 反斜杠问题

      在正则表达式中会用到反斜杠进行转义表达一些字符,如果要在正则表达式中表示反斜杠,在编程语言中需要表达为:“\\”,因为编程语言中写反斜杠也是需要转义的。使用Python原生字符串可以轻松表达,写成r"\"即可。

    三、Python中的正则表达式

      Python中的Re模块实现了对正则表达式的支持。主要方法接口为:

    #返回pattern对象,这种对象表达了一种匹配模式
    re.compile(string[,flag])  
    #以下为匹配所用函数
    re.match(pattern, string[, flags])    #从字符串开始处(仅从位置0开始)匹配,匹配不成功返回None
    re.search(pattern, string[, flags])    #从字符串所有位置匹配,任意起点匹配成功均可
    re.split(pattern, string[, maxsplit])   #按照pattern指定的模式匹配后分割出子字符串数组
    re.findall(pattern, string[, flags])   #返回所有符合模式匹配的子字符串数组
    re.finditer(pattern, string[, flags])   #返回所有符合模式匹配的子字符串的引用(迭代器)
    re.sub(pattern, repl, string[, count])  #用repl替代string中符合模式匹配的子字符串,repl既可以是字符串也可以是单参数函数
    re.subn(pattern, repl, string[, count])  #返回 (sub(repl, string[, count]), 替换次数),也就是比上一个函数多了一个“替换次数”

    3.1 pattern对象

      Re模块中的pattern对象表达了一种匹配内容与模式,第一个参数是必选的,也就是正则表达式字符串。第二个参数是可选的,表示匹配模式。匹配模式有很多种,可以用“|”进行组合同时使用。这些匹配模式参见下表:

    re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同)
     • re.M(全拼:MULTILINE): 多行模式,改变'^''$'的行为(参见上图)
     • re.S(全拼:DOTALL): 点任意匹配模式,改变'.'的行为
     • re.L(全拼:LOCALE): 使预定字符类 w W  B s S 取决于当前区域设定
     • re.U(全拼:UNICODE): 使预定字符类 w W  B s S d D 取决于unicode定义的字符属性
     • re.X(全拼:VERBOSE): 详细模式。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。

    3.2 re.match(pattern, string[, flags])

      这个方法将会从string(我们要匹配的字符串)的开头开始尝试匹配pattern(注意,如果第一个字符就匹配失败,该函数是不会在字符串中间进行匹配),一直向后匹配,如果遇到无法匹配的字符,立即返回 None,如果匹配未结束已经到达string的末尾,也会返回None。两个结果均表示匹配失败,否则匹配pattern成功,同时匹配终止,不再对 string向后匹配。下面我们通过一个例子理解一下:

    # -*- coding: utf-8 -*-
     
    #导入re模块
    import re
     
    # 将正则表达式编译成Pattern对象,注意hello前面的r的意思是“原生字符串”
    pattern = re.compile(r'hello')
     
    # 使用re.match匹配文本,获得匹配结果,无法匹配时将返回None
    result1 = re.match(pattern,'hello')
    result2 = re.match(pattern,'helloo CQC!')
    result3 = re.match(pattern,'helo CQC!')
    result4 = re.match(pattern,'hello CQC!')
     
    # 如果1匹配成功
    if result1:
        # 使用Match获得分组信息
        print result1.group()
    else:
        print '1匹配失败!'
    
    #如果2匹配失败
    #...

    #运行结果如下:
    hello
    hello
    3匹配失败
    hello

        在这个代码中打印的是result.group(),这是什么呢?这是match返回的结果集中的一个属性,match返回的属性和方法包括如下内容:

    1.string: 匹配时使用的文本。
    2.re: 匹配时使用的Pattern对象。
    3.pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
    4.endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
    5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。
    6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。

        方法包括如下:

    1.group([group1, …]):
    获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。
    2.groups([default]):
    以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。
    3.groupdict([default]):
    返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。
    4.start([group]):
    返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
    5.end([group]):
    返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
    6.span([group]):
    返回(start(group), end(group))。
    7.expand(template):
    将匹配到的分组代入template中然后返回。template中可以使用id或g、g引用分组,但不能使用编号0。id与g是等价的;但10将被认为是第10个分组,如果你想表达1之后是字符’0’,只能使用g0。
    View Code

      例子如下看看:

    # -*- coding: utf-8 -*-
    #一个简单的match实例
     
    import re
    # 匹配如下内容:单词+空格+单词+任意字符
    m = re.match(r'(w+) (w+)(?P.*)', 'hello world!')
     
    print "m.string:", m.string
    print "m.re:", m.re
    print "m.pos:", m.pos
    print "m.endpos:", m.endpos
    print "m.lastindex:", m.lastindex
    print "m.lastgroup:", m.lastgroup
    print "m.group():", m.group()
    print "m.group(1,2):", m.group(1, 2)
    print "m.groups():", m.groups()
    print "m.groupdict():", m.groupdict()
    print "m.start(2):", m.start(2)
    print "m.end(2):", m.end(2)
    print "m.span(2):", m.span(2)
    print r"m.expand(r'g gg'):", m.expand(r'2 13')
     
    ### output ###
    # m.string: hello world!
    # m.re: 
    # m.pos: 0
    # m.endpos: 12
    # m.lastindex: 3
    # m.lastgroup: sign
    # m.group(1,2): ('hello', 'world')
    # m.groups(): ('hello', 'world', '!')
    # m.groupdict(): {'sign': '!'}
    # m.start(2): 6
    # m.end(2): 11
    # m.span(2): (6, 11)
    # m.expand(r'2 13'): world hello!
    View Code

    3.3 re.search(pattern, string[, flags])

      search方法与match方法极其类似,区别在于match()函数只检测re是不是在string的开始位置匹配,search()会扫描整个string查找匹配,match()只有在0位置匹配成功的话才有返回,如果不是开始位置匹配成功的话,match()就返回None。同样,search方法的返回对象同样match()返回对象的方法和属性。我们用一个例子感受一下:

    #导入re模块
    import re
     
    # 将正则表达式编译成Pattern对象
    pattern = re.compile(r'world')
    # 使用search()查找匹配的子串,不存在能匹配的子串时将返回None
    # 这个例子中使用match()无法成功匹配
    match = re.search(pattern,'hello world!')
    if match:
        # 使用Match获得分组信息
        print match.group()
    
    ### 输出 ###
    # world
    View Code

    3.4 re.split(pattern, string[, maxsplit])

      按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数,不指定将全部分割。我们通过下面的例子感受一下:

    import re
     
    pattern = re.compile(r'd+')
    print re.split(pattern,'one1two2three3four4')
     
    ### 输出 ###
    # ['one', 'two', 'three', 'four', '']
    View Code

    3.5 re.findall(pattern, string[, flags])

       搜索string,以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下:

    import re
     
    pattern = re.compile(r'd+')
    print re.findall(pattern,'one1two2three3four4')
     
    ### 输出 ###
    # ['1', '2', '3', '4']
    View Code

    3.6 re.finditer(pattern, string[, flags])

      搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。我们通过下面的例子来感受一下:

    import re
     
    pattern = re.compile(r'd+')
    for m in re.finditer(pattern,'one1two2three3four4'):
        print m.group(),
     
    ### 输出 ###
    # 1 2 3 4
    View Code

    3.7 re.sub(pattern, repl, string[, count])

      使用repl替换string中每一个匹配的子串后返回替换后的字符串。当repl是一个字符串时,可以使用id或g、g引用分组,但不能使用编号0。当repl是一个方法时,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。 

    import re
     
    pattern = re.compile(r'(w+) (w+)')
    s = 'i say, hello world!'
     
    print re.sub(pattern,r'2 1', s)
     
    def func(m):
        return m.group(1).title() + ' ' + m.group(2).title()
     
    print re.sub(pattern,func, s)
     
    ### output ###
    # say i, world hello!
    # I Say, Hello World!
    View Code

    3.8 re.subn(pattern, repl, string[, count])

      返回 (sub(repl, string[, count]), 替换次数)。

    import re
     
    pattern = re.compile(r'(w+) (w+)')
    s = 'i say, hello world!'
     
    print re.subn(pattern,r'2 1', s)
     
    def func(m):
        return m.group(1).title() + ' ' + m.group(2).title()
     
    print re.subn(pattern,func, s)
     
    ### output ###
    # ('say i, world hello!', 2)
    # ('I Say, Hello World!', 2)
    View Code

     备注:上述所有的用法其实可以直接用类似于pattern.match()的方式进行调用。这样就不需要把pattern作为第一个参数进行传入了,这是更方便的方式。

  • 相关阅读:
    EF Core使用笔记(基于MySql数据库)
    开发环境---->服务器(数据库迁移Migration)
    正向代理和反向代理
    Linux基础命令
    Git + Docker + Jenkins自动化部署web到Linux(Centos)
    poj3320(尺取法)
    poj3061(尺取法)
    51nod 1092(lcs)回文字符串
    51nod1268(基础dfs)
    51nod-1459-迷宫游戏
  • 原文地址:https://www.cnblogs.com/kuliuheng/p/4912377.html
Copyright © 2011-2022 走看看