Python正则表达式是什么，怎么用

本篇内容介绍了“Python正则表达式是什么，怎么用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

一、re

我们先介绍一下re模块下的方法，这个是我们拿来就可以用的，当然前提是知道一点正则表达式，如果对正则表达式完全不了解，可以先看一下后面正则表达式部分。

1.1 match

match方法从字符串的起始位置匹配一个模式，如果没有匹配成功match就返回None

re.match(pattern, string, flags=0)

pattern：正则表达式 string：待匹配的字符串 flags：匹配模式(是否区分大小写、单行匹配还是多行匹配)

match返回的是一个re.Match对象，后面会详细介绍Match中的方法。

import re

content = "Cats are smarter than dogs"

# 第一个参数是正则表达式，re.I表示忽略大小写
match = re.match(r'(cats)', content, re.I)
print(type(match))
print(match.groups())

match = re.match(r'dogs', content, re.I)
print(type(match))
# print(match.groups())

match主要是用于捕获分组，所以尽量使用分组模式，不然匹配了也无法获取结果，flag是re.I表示忽略大小写。

另外非常重要的一点match只会找第一个匹配的分组:

import re

content = "aa aa smarter aa dogs"

match = re.match(r'(aa)', content, re.I)
if match:
    print(match.groups())

上面输出的是：('aa',)

1.2 search

扫描整个字符串并返回第一个成功的匹配，search和match不同之处在于，search没有强制要求从开始匹配。

re.search(pattern, string, flags=0)

import re

content = '+123abc456*def789ghi'

# \w能够匹配[a-zA-Z0-9_]，+表示至少匹配一次
reg = r"\w+"
match = re.search(reg, content)

if match:
    print(match.group())

1.3 sub

替换字符串中的匹配项

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

pattern: 正则表达式 repl: 替换的字符串，可以是函数 string: 要被查找替换的字符串 count: 模式匹配后替换的最大次数，默认0表示替换所有的匹配，可选 flags: 可选参数，匹配模式，默认为0

替换和谐字符：

import re

content = "do something fuck you"

rs = re.sub(r'fuck', "*", content)
print(rs)

非常简单，把fuck替换为*

现在需求变了，我们需要被屏蔽的单词有几个字符，就替换为几个*，怎么处理？

import re

def calcWords(matched):
    num = len(matched.group())
    return str(num * '*')

content = "do something fuck you"

rs = re.sub(r'fuck', calcWords, content)
print(rs)

替换的字符串可以使用函数，我们在函数中就可以非常容易的计算了

1.4 findall

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。

re.findall(pattern, string, flags=0)

pattern:正则表达式 string: 待匹配的字符串 flags: 可选参数，匹配模式，默认为0

import re

content = '+123abc456*def789ghi'

reg = r"\d+"
rs = re.findall(reg, content)
# ['123', '456', '789']
print(rs)

findall有一个让人狂躁的地方是，如果正则表达式中有分组，就只会返回分组中的匹配。

import re

content = '+123abc456*def789ghi'

reg = r"\d+([a-z]+)"
rs = re.findall(reg, content)
# ['abc', 'ghi']
print(rs)

1.5 finditer

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

re.finditer(pattern, string, flags=0)

pattern:正则表达式 string: 待匹配的字符串 flags: 可选参数，匹配模式，默认为0

import re

content = '+123abc456*def789ghi'

reg = r"\d+"
rss = re.finditer(reg, content)

# 123 456 789 
for rs in rss:
    print(rs.group(), end=' ')

finditer和findall差不多，但是没有findall的那个令人狂躁的如果有分组只返回分组的问题。

import re

content = '+123abc456*def789ghi'

reg = r"\d+([a-z]+)"
rss = re.finditer(reg, content)

# 123abc 789ghi
for rs in rss:
    print(rs.group(), end=' ')

1.6 split

按照匹配的子串将字符串分割后返回列表

re.split(pattern, string, maxsplit=0, flags=0)

import re

content = '+123abc456*def789ghi'

reg = r"\d+"
rs = re.split(reg, content)

print(rs)

1.7 compile

编译正则表达式，生成一个正则表达式Pattern对象，前面的方法都会先调用这个方法得到一个Pattern对象，然后再使用Pattern对象的同名方法。

接下来，我们马上就会介绍一下Pattern对象。

re.compile(pattern, flags=0)

二、Pattern

Pattern对象是一个编译好的正则表达式，Pattern不能直接实例化，必须使用re.compile()进行构造。

2.1 属性

import re

pattern = re.compile(r'(\w+)(?P<gname>.*)', re.S)

# pattern: (\w+)(?P<gname>.*)
print("pattern:", pattern.pattern)
# flags: 48
print("flags:", pattern.flags)
# groups: 2
print("groups:", pattern.groups)
# groupindex: {'gname': 2}
print("groupindex:", pattern.groupindex)

2.2 方法

前面re模块中介绍的方法对于Pattern都适用，只是少了pattern参数

其实很简单，re模块中的方法使用pattern参数，通过re.compile方法构造了一个Pattern对象

三、Match

Match对象是一次匹配的结果，包含此次匹配的信息，可以使用Match提供的属性或方法来获取这些信息。

3.1 属性

import re

content = "123456<H1>first</h2>123456"

reg = r'\d+<[hH](?P<num>[1-6])>.*?</[hH](?P=num)>'

match = re.match(reg, content)

# string: 123456<H1>first</h2>123456
print("string:", match.string)
# re: re.compile('\\d+<[hH](?P<num>[1-6])>.*?</[hH](?P=num)>')
print("re:", match.re)
# pos: 0
print("pos:", match.pos)
# endpos: 26
print("endpos:", match.endpos)
# lastindex: 1
print("lastindex:", match.lastindex)
# lastgroup: num
print("lastgroup:", match.lastgroup)

感觉Match的属性稍微有些鸡肋。

3.2 方法

注意：无参数group等价于group(0)，返回整个匹配到的字符串

import re

match = re.match(r'(\w+) (\w+) (?P<name>.*)', 'You love sun')

# groups(): ('You', 'love', 'sun')
print("groups():", match.groups())
# group(2,3): ('love', 'sun')
print("group(2,3):", match.group(2, 3))
# start(2): 4
print("start(2):", match.start(2))
# end(2): 8
print("end(2):", match.end(2))
# span(2): (4, 8)
print("span(2):", match.span(2))
# groupdict(): {'name': 'sun'}
print("groupdict():", match.groupdict())
# expand(r'I \2 \1!'): I love You!
print(r"expand(r'I \2 \1!'):", match.expand(r'I \2 \1!'))

上面Match中的方法还是比较重要的，因为我们基本最后都是通过Match对象中的方法来获取匹配的

四、正则表达式

4.1 常用

最常用的就是.匹配任意字符，a.b就可以匹配abb、acb、adb、a+b、a8b等等

?表示最多匹配一次：abb?可以匹配ab、abb，但是不能匹配abbabb，因为?只是指前一个片段

+表示至少匹配一次：abb+可以匹配abb、abbb、abbbb等等，当时不能匹配ab

*表示0到多次： abb*可以匹配ab、abb、abbb、abbbb等等

[]中有一组字符，字符间的关系是或

4.2 边界空白

4.3 分组

分组最重要的一个作用就是可以回溯，就是引用已经匹配的模式。

思考：html中如何匹配全部h标签？

reg = '<[hH][1-6]>.*?</[hH][1-6]>'

很多朋友可能会写出类似于上面的表达式，有什么问题吗？

看下面的例子：

import re

content = '''
    <html>
    <body>
      <H1>first</h2>
      <p>p tag</p>
      <h3>h3</h3>
      <h4>非法标签</h5>
    </body>
    </html>
'''

rs = re.findall(r'<[hH][1-6]>.*?</[hH][1-6]>', content)
print(rs)

rs = re.findall(r'<[hH]([1-6])>.*?</[hH]\1>', content)
print(rs)

rs = re.findall(r'((<[hH]([1-6])>).*?</[hH]\3>)', content)
print(rs)

rs = re.findall(r'((<[hH](?P<num>[1-6])>).*?</[hH](?P=num)>)', content)
print(rs)

看输出，我们知道：

reg = '<[hH][1-6]>.*?</[hH][1-6]>'

会把'<h4>非法标签</h5>'这一部分也匹配到。

我们可以通过分组，然后引用分组来解决这个问题。

reg1 = '<[hH]([1-6])>.*?</[hH]\1>'
reg2 = '((<[hH]([1-6])>).*?</[hH]\3>)'

因为如果有分组，findall之后打印出匹配分组，所以我们使用reg2这个正则表达式。

为什么是\3呢？

因为根据从左到右，从外到里的原则，我们知道([1-6])是第3个分组。

如果觉得不想去数，或者怕数错，那么就可以使用别名的方式。

reg = '((<[hH](?P<num>[1-6])>).*?</[hH](?P=num)>)'

4.4 前后匹配

前后匹配也是一个非要有用的功能，它的一个重要特性是不消费re部分，下面看一个例子帮助理解。

import re

content = '''
http://www.mycollege.vip
https://mail.mycollege.vip
ftp://ftp.mycollege.vip
'''

# 向前匹配，匹配:前面的schema，不消费:
rs = re.findall(r'.+(?=:)', content)
# ['http', 'https', 'ftp']
print(rs)

# 向后匹配，匹配//后面的域名，不消费//
rs = re.findall(r'(?<=//).+', content)
# ['www.mycollege.vip', 'mail.mycollege.vip', 'ftp.mycollege.vip']
print(rs)

# 向后匹配，匹配$后面的数字，不消费$
price = '''
item1:$99.9
CX99:$199
ZZ88:$999
'''

rs = re.findall(r'(?<=\$)[0-9.]+', price)
# ['99.9', '199', '999']
print(rs)

# 前后匹配
title = '''
<head>
    <title>this is title</title>
</head>
'''

rs = re.findall(r'(?<=<title>).*(?=</title>)', title)
# ['this is title']
print(rs)

4.5 其他匹配

4.6 flags

re.M是多行匹配模式：

1. ^可以匹配字符串开头，也可以匹配行的开头，字符串中换行符\n之后的位置

2. $可以匹配字符串结尾，也可以匹配行的结尾，字符串中换行符\n之前的位置

单行模式:

1. ^等价于\A

2. $等价于\Z

import re

content = '''
first line
second line
third line
'''

# ['first', 'second', 'third']
rs = re.findall(r'^(.*) line$', content, re.M)
# []
# rs = re.findall(r'^(.*) line$', content)
# []
# rs = re.findall(r'\A(.*) line\Z', content, re.M)
print(rs)

上面的小例子多行模式可以匹配成功，单行模式不能，因为单行模式^不能匹配\n后的位置，所以开头就不匹配。

反过来，我们在决定是否使用re.M的时候，只需要考虑正则表达式中有没有^和$，如果没有肯定是不需要的，如果有，那么思考是否需要匹配\n(换行符)前后的位置，需要则加上re.M。

re.L和re.U比较不好理解，2.x和3.x的变化也很大，基本用不上，有兴趣可以看一下文档。

“Python正则表达式是什么，怎么用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！