python正则re模块

欢×××陈师傅”

re正则处理

正则定义

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

常用正则表达式的方法

• re.compile(编译)
• pattern.match(从头匹配)
• pattern.search(匹配一个)
• pattern.findall(匹配所有)
• pattern.sub(替换)

特殊字符集

正则表达式方法

• re.compile(pattern,flags=0)
  编译一个正则表达式模式为正则表达式对象，其可用于使用他的匹配match(),search()以及其他方法

  >>> comp=re.compile(r'\d+')
  >>> ret=comp.match('123456')
  >>> ret.group()
  '123456'

  相当于

  ret=re.match(r'\d+','123456')

• re.search(pattern,string,flags = 0)
  查找正则表达式匹配到的第一个位置，并返回相应的匹配对象

• re.match(pattern,string,flags = 0)
  从字符串的开头匹配，并返回相应的匹配对象

• re.fullmatch(pattern,string,flags = 0)
  将会对整个字符串进行匹配，并返回相应的匹配对象

• re.split(pattern,string,maxsplit = 0,flags = 0)
  按照正则匹配模式进行拆分字符串,maxsplit为最多拆分次数，并且字符串的其余部分将作为列表的最后一个元素返回，如果分隔符中有捕获组并且它在字符串的开头或者结尾匹配，则结果将以空字符串开头。

  >>> re.split(r'\W+','Words words wordS')
  ['Words', 'words', 'wordS']
  >>> re.split(r'\W+','Words words wordS',1)
  ['Words', 'words wordS']
  >>> re.split(r'\d+','1q2W3e4R',flags=re.IGNORECASE)
  ['', 'q', 'W', 'e', 'R']
  >>> re.split(r'(\W+)', 'words, words...')
  ['words', ', ', 'words', '...', '']
  >>> re.split(r'\W+', 'words, words...')
  ['words', 'words', '']

• re.findall(pattern,string,flags=0)
  从左往右匹配，返回一个列表，如果模式中存在一个或多个组，则返回组列表; 如果模式有多个组，这将是一个元组列表。结果中包含空匹配。

  >>> re.findall(r'\d+','123,456')
  ['123', '456']
  >>> re.findall(r'(\d+)(\w+)','123qw,werrc')
  [('123', 'qw')]
  >>> re.findall(r'(\d+)|(\w+)','123qw,werrc')
  [('123', ''), ('', 'qw'), ('', 'werrc')]

• re.finditer(pattern,string,flags = 0 )
  返回一个匹配到每个结果的迭代器

  >>> for i in re.finditer(r'\d+','123456'):
  print(i.group())
  123456

• re.sub(pattern,repl,string,count = 0,flags = 0 )
  将匹配到的字符串替换成repl的值，count表示要替换的模式最多替换次数，repl可以是一个字符串也可以是一个函数，当repl为字符串时，会处理其中的任何反斜杠，，可以使用\id或\g< id>、\g< name>引用分组

  >>> re.sub(r'(\d+) (\w+)',r'\2 \1','12345 asdfd')
  'asdfd 12345'

  当repl是一个函数时，那么这个函数会只接受一个匹配对象参数。例如：

>>> def mat(m):
    if m.group(2)=='1234':
        return m.group(1)
    else:
        return '1234'

>>> re.sub(r'(\d+) (\d+)',mat,'123 1234qer')
'123qer'
>>> re.sub(r'(\d+) (\d+)',mat,'123 123qer')
'1234qer'

• re.subn(pattern,repl,string,count = 0,flags = 0 )
  与sub执行的操作相同，但是返回的是元组，元组最后一个元素为替换次数

  >>> def mat(m):
  if m.group(2)=='1234':
      return m.group(1)
  else:
      return '1234'
  >>> re.subn(r'(\d+) (\d+)',mat,'as123 1234qer')
  ('as123qer', 1)

  正则表达式对象

  使用re.compile可以编译一个正则表达式对象

• regex.search(string[,pos[endpos]])
  查找正则表达式匹配到的第一个位置，并返回相应的匹配对象可选参数pos和endpos表示设置正则表达式匹配的字符串开始位置和结束位置

  >>> pattern=re.compile(r'\d+')
  >>> pattern.search('123456',2,5).group()                   
  '345'

• regex.match(string,posendpos)
  如果字符串开头的零个或多个字符与此正则表达式匹配，则返回相应的匹配对象。pos和endpos用法和regex.search()意思相同
• 编译的正则表达式的方法和属性与正则匹配的函数相同，这里不一一说明

  编译对象的常用参数

• re.A(re.ASCII)
  使\w,\W,\b,\B,\d,\D,\s和\S只匹配ASCII字符，而不匹配Unicode字符
• re.I(re.IGNORECASE)
  匹配时不区分大小写
• re.L(re.LOCALE)'
  使\w \W \b \B \s \S \d \D和区分大小写的匹配只取决于当前的环境设定
• re.M(re.MULTILINE)
  多行模式下，'^'和'$'由原来匹配字符串的开头或者结尾变成匹配每行的开头和结尾
• re.S(re.DOTALL)
  使'.'匹配包含换行符的任何字符
• re.X(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。以下两个正则表达式是等价的

  a = re.compile(r"""\d +  # the integral part
                 \.    # the decimal point
                 \d *  # some fractional digits""", re.X)
  b = re.compile(r"\d+\.\d*")

match对象

• match.group([ group1,... ] )
  返回匹配的一个或多个子组，如果只有一个参数，则结果为单个字符串; 如果有多个参数，则结果是一个元组，每个参数有一个项目。如果没有参数，group1默认为零（返回整个匹配）。 如果groupN参数为零，则相应的返回值是整个匹配的字符串

  >>> s=re.match(r'(\w+) (\w+)','hello world')
  >>> s.group(0)
  'hello world'
  >>> s.group(1)
  'hello'
  >>> s.group(2)
  'world'
  >>> s.group(1,0)
  ('hello', 'hello world')

  如果分组太多，我们可以对分组进行命名

  >>> m=re.match(r"(?P<first>\w+) (?P<second>\w+)",'hello world')
  >>> m.group('first')
  'hello'
  >>> m.group('second')
  'world'

  如果一个组匹配多次，那么最终将返回的最后一次匹配到的字符串

  >>> m=re.match(r'(\d)+','123456')
  >>> m.group()
  '123456'
  >>> m.group(1)
  '6'

• match. getitem(g)
  与m.group(g)相同，这样使用会更简单

  >>> m=re.match(r'(\d)+','123456')
  >>> m[0]
  '123456'
  >>> m[1]
  '6'

• match.groups(default=None)
  以元组的形式返回匹配到的所有子组，没有被匹配到的分组，默认为None,当然可以设置默认参数

  >>> m=re.match(r'(\d+),(\w+)?','1234,')
  >>> m.groups()
  ('1234', None)
  >>> m.groups('0')
  ('1234', '0')

• match.groupdict(default=None)
  以字典的形式返回匹配到的值，字典的键为分组名，值为匹配到的字符串，没有匹配到的分组将设置为None

  >>> m=re.match(r'(?P<first>\d+) (?P<second>\d+)','123 456')
  >>> m.groupdict()
  {'first': '123', 'second': '456'}
  >>> m=re.match(r'(\d+) (\d+)','123 456')
  >>> m.groupdict()
  {}

• match.start([group]) 和match.end([group])
  分别返回由分组匹配到的字符串的开始和结束的索引，结束字符串的索引为最后一个子符的索引加一group默认为零，将会表示所有匹配到的字符串

  >>> m=re.match(r'(\w+) (\w+) (\w+) (\w+)','my name is wanger')
  >>> m.start(2)                 
  3
  >>> m.end(2)                   
  7
  >>> m.end()                
  17
  >>> m.start()                  
  0

• match.span[group]
  返回一个二元组，元组的元素为分组匹配到的字符串开始的索引和结束的索引，group默认为0，表示匹配到的所有字符串

  >>> m=re.match(r'(\w+) (\w+) (\w+) (\w+)','my name is wanger')
  >>> m.span(2)                      
  (3, 7)
  >>> m.span()                   
  (0, 17)

• match.pos 和match.endpos
  分别返回要匹配字符串的开始搜索的索引和结束搜索的索引

  >>> m=re.match(r'(\w+) (\w+) ','my name is wanger')
  >>> m.pos                  
  0
  >>> m.endpos                   
  17

• match.lastindex
  最后匹配到的分组的索引

  >>> m=re.match(r'(\w+) (\w+) ','my name is wanger')
  >>> m.lastindex                
  2
  >>> m=re.match(r'(\w+) (\w+) (\w+)','my name is wanger')                       
  >>> m.lastindex                    
  3

• match.lastgroup
  最后匹配到的分组的名称,没有命名组则返回空

  >>> m=re.match(r'(\w+) (?P<last>\w+) ','my name is wanger')                
  >>> m.lastgroup                
  'last'

几个简单的实例

1. 匹配前面是数字123的字符

   >>> re.search(r'(?<=123)\w+','123asd,wer').group(0) 'asd'

   2.匹配前面是数字后面是下划线的字符

   >>> re.search(r'(?<=123)\w+(?=_)','123asd_123wer').group(0)                
   'asd'

   3.匹配手机号码

   >>> re.match(r'1[3,5,7,8]\d{9}|','13573528479').group()                
   '13573528479'

   4.匹配电话号码

   >>> re.match(r'\d{3}-\d{8}|\d{4}-\d{7}','0531-82866666').group()                   
   '0531-8286666'

   5.匹配IP地址

   >>> re.match(r'\d+\.\d+\.\d+\.\d+','192.168.10.25').group()                    
   '192.168.10.25'

   6.匹配网易邮箱

>>> re.findall(r'\w+@163\.com|\w+@126\.com','wanger@163.com wanger@126.com')

['wanger@163.com', 'wanger@126.com']

7.匹配HTML文本

>>> re.match(r'<(\w*)><(\w*)>.*</\2></\1>','<body><h3>wahaha5354</h3></body>').group()
'<body><h3>wahaha5354</h3></body>'

欢迎各位关注本人微信公众号“没有故事的陈师傅”