Python3 正则表达式

嵌入式视觉

发布于 2022-09-05 14:41:26

4560

发布于 2022-09-05 14:41:26

Contents

字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的 Email 地址，虽然可以编程提取 @ 前后的子串，再分别判断是否是单词和域名，但这样做不但麻烦，而且代码难以复用。正则表达式（简称为 regex）是一些由字符和特殊符号组成的字符串，描述了模式的重复或者表述多个字符，因此正则表达式能按照某种模式匹配一系列有相似特征的字符串，其也为高级的文本模式匹配、提取、与/或文本形式的搜索和替换功能提供了基础。这篇文章是刚学 Python 时阅读廖雪峰的书籍写的学习笔记，大部分内容都来自书中内容，当时自己只是做了些编辑和总结内容。

正则表达式基础

正则表达式是用来匹配字符串的强有力武器，它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

举例来讲，判断一个字符串是合法 Email 地址的方法如下：

创建一个匹配 Email 的正则表达式;
用该正则表达式去匹配用户的输入，判断是否合法。

正则表达式也是用字符串来表示的，所以我们需要了解如何用字符表示字符。在正则表达式中，如果直接给出字符，则就是精确匹配。

1， \d 可以匹配一个数字 [0-9]，用 \w 可以匹配一个字母或数字 [A-Z,a-z,0-9]。，所以：

'00\d' 可以匹配 ‘007’，但是不能匹配 ’00A’
'\d\d\d' 可以匹配 ‘223’，但是不能匹配 ‘SSA’
'\w\w\d' 可以匹配 ‘AD4’

2，. 可以匹配任意字符(换行符\n除外)，所以：

'num.' 可以匹配 ‘num1’，’num3’，’nums’ 等字符串。

3，要匹配变长的字符，在正则表达式中，* 匹配前一个字符 0 次或无限次，+ 匹配前一个字符 1 次或无限次，？匹配前一个字符 0 次或一次，{m} 匹配前一个字符 m 次，{m,n}匹配前一个字符 m 至 n 次：

看一个复杂的正则表达式例子： \d{3}\s+\d{3,8}。

\d{3} 表示匹配 3 个数字，例如’010’；
\s 可以匹配一个空格（也包括 Tab 等空白符），所以 \s+ 表示至少有一个空格，例如匹配 ' '， ' ' 等；
\d{3,8} 表示 3-8 个数字，例如 ‘1234567’。

综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。如果要匹配 ‘010-12345′ 这样的号码呢？由于’-‘是特殊字符，在正则表达式中，要用’\’转义，所以，上面的正则是 \d{3}\-\d{3,8}。

语法进阶

要做更精确地匹配，可以用 [] 表示范围，比如：

[0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线；
[0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如 ‘a100’， ‘0_Z’， ‘Py3000’ 等等；
[a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是 Python 合法的变量；
[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是 1-20个字符（前面 1 个字符+后面最多 19 个字符）。

A|B 可以匹配 A 或 B，所以 [P|p]ython 可以匹配 ‘Python’ 或者 ‘python’ 。I代表左右表达式任意匹配一个，它总是先尝试匹配左边的表达式，一旦成功匹配匹配则跳过匹配右边的表达式。如果|没有被包括在()中，则它的范围是整个正则表达式。

^表示行的开头，^\d 表示必须以数字开头。
$表示行的结束，\d$ 表示必须以数字结束。

你可能注意到了， py 也可以匹配 ‘python’，但是加上^py$就变成了整行匹配，就只能匹配 ‘py’ 了。

正则表达式语法总结

下图列出了 Python 支持的正则表达式元字符和语法（图来自 CSDN 博客）。

正则表达式的语法规则

Python的re 模块

有了准备知识，我们就可以在 Python 中使用正则表达式了。 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\

Out [4] :
re. match(
< sre. SRE Match
re. match(
object,
span—
032-89123'
9), mat*' 032-89123' >
032 89123'
In

match() 方法判断是否匹配，如果匹配成功，返回一个 Match 对象，否则返回 None。常见的判断方法如下。

test '
if re. match (r' ,
print (' ok' )
else:
print (' failed' )
test) :

切分字符串

使用正则表达式切分字符串比用固定的字符更灵活，这里要用到 python 的 split() 函数：通过指定分隔符对字符串进行切片，如果参数 num 有指定值，则仅分隔 num 个子字符串。两种代码对比实例如下：

计算机生成了可选文字:
In[10]：
t[10]：
In[12]：
t[12]：
#正有必
，a匕c'
.split(
d

分组

除了简单的判断是否匹配外，正则表达式还有提取字串的强大功能。用 () 表示的就是要提取的分组 (Group)。比如：^(\d{3})-(\d{3,8})$ 分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码，程序实例 1：

4
import
m = re. match
print m
, m. group

如果正则表达式中定义了组，就可以在 Match 对象上用 group()方法提取出子串来。注意到 group(0) 永远是原始字符串， group(1)、 group(2)……表示第 1、2、 ……个子串。

程序实例 2，正则表达式识别合法时间：

# 分组案例2，识别合法时间
t = '23:11:57'
m =re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
print(m.groups())
print(m.group(0), m.group(1))
#### 程序输出结果 ####
# ('23', '11', '57')
# 23:11:57 23

贪婪匹配

最后需要特别指出的是，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：

' 102300'
out [37] :
ln [38] :
out :
re. match (
102300' ,
re. match (
1023' ,
. groups O
102300'
) . groups ( )

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。

findall

findall 方法可以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。注意： match 和 search 方法是匹配一次， findall 匹配所有。语法格式为：

re.findall(pattern, string, flags=0)
或
pattern.findall(string[, pos[, endpos]])

参数：

pattern：匹配模式。
string：待匹配的字符串。
pos：可选参数，指定字符串的起始位置，默认为 0。
endpos：可选参数，指定字符串的结束位置，默认为字符串的长度。

查找字符串中的所有数字的实例代码如下：

import re
 
result1 = re.findall(r'\d+','runoob 123 google 456')
 
pattern = re.compile(r'\d+')   # 查找数字
result2 = pattern.findall('runoob 123 google 456')
result3 = pattern.findall('run88oob123google456', 0, 10)
 
print(result1)
print(result2)
print(result3)

程序输出结果：

[‘123’, ‘456’] [‘123’, ‘456’] [’88’, ’12’]

compile 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。

compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match()、 search() 和 findall() 等这函数使用。代码实例如下：

file_name = '45-depth.png'  # 字符串定义
pattern = re.compile(r'\d+\.?\d*')# 预编译
pattern.findall(file_name)  # 使用-搜索string，以列表形式返回全部能匹配的子串
### 输出 ###
# ['45']

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。