首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Day16正则表达式

Day16正则表达式

作者头像
林清猫耳
发布2018-04-26 15:35:16
5180
发布2018-04-26 15:35:16
举报
文章被收录于专栏:我爱编程我爱编程

正则表达式(Regular Expression)的主要功能是从字符串(string)中通过特定的模式,搜索希望找到的内容。比如想找到小说中的所有人名,找到字符串中包含的数字。这种格式化的搜索可以写成正则表达式。Python中可以使用包re来处理正则表达式。

#  正则表达式用某些符号代表单个字符:
.            # 任意的一个字符
a|b          # 字符 a 或字符 b
[afg]        # a 或者 f 或者 g 的一个字符
[0-4]        # 0-4 范围内的一个字符
[a-f]        # a-f 范围内的一个字符
[^m]         # 不是m的一个字符
\s           # 一个空格
\S           # 一个非空格
\d           # 一个数字,相当于[0-9]
\D           # 一个非数字, 相当于[^0-9]
\w           # 数字或字母,相当于[0-9a-zA-Z]
\W           # 非数字非字母,相当于[^0-9a-zA-Z]

正则表达式还可以用某些符号来表示某种形式的重复,这些符号紧跟在单个字符之后,就表示多个这样类似的字符:

*            # 重复超过0次或更多次
+            # 重复1次或超过1次
?            # 重复0次或1次
{m}          # 重复m次。比如,a{4}相当于aaaa,再比如,[1-3]{2}相当于[1-3][1-3]
{m,n}        # 重复m到n次。比如说a{2,5}表示a重复2到5次。
             # 小于m次的重复,或者大于n次的重复都不符合条件

还有位置相关的符号:

^            # 字符串的起始位置
$            # 字符串的结尾位置
进一步提取
content = 'abcd_output_1994_abcd_1912_abcd'

正则表达式: 'output_\d{4}' 可以找到 'output_1994'。 但如果想进一步提取出1994本身,则可以在正则表达式上给目标加上括号: output_(\d{4}) 用括号()圈起来的正则表达式的一部分,称为群(group)。一个正则表达式中可以有多个群。 我们可以用group(number)的办法来查询群。需要注意的是,group(0)是整个正则表达的搜索结果。group(1)是第一个群,以此类推。 还可以用 (?P<name>...) 为group命名

re模块

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' 
re.search(pattern, string)    # 搜索整个字符串,直到发现符合的子字符串
re.match(pattern, string)     # 从头开始检查字符串是否符合正则表达式。
                              # 必须从字符串的第一个字符开始就相符
切分字符串

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']

嗯,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']
贪婪匹配

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

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('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:

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

groups是所有的组,没括号没分组

编译

当我们在Python中使用正则表达式时,re模块内部会干两件事情: 编译正则表达式,如果正则表达式的字符串本身不合法,会报错; 用编译后的正则表达式去匹配字符串。 如果一个正则表达式要重复使用几千次,出于效率的考虑,我们可以预编译该正则表达式,接下来重复使用时就不需要编译这个步骤了,直接匹配:

>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用:
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')

编译后生成Regular Expression对象,由于该对象自己包含了正则表达式,所以调用对应的方法时不用给出正则字符串。 最后贴上: http://mp.weixin.qq.com/s/SA3OnfZD-cFVi7IVfKwKnw

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018.04.05 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 进一步提取
  • re模块
    • 切分字符串
      • 贪婪匹配
        • 编译
        领券
        问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档