Python正则re模块学习笔记

君子论迹不论心，论心世上无完人

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

匹配除换行符之外的任何字符

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><h2>wahaha5354</h2></body>').group()'<body><h2>wahaha5354</h2></body>'