re模块
可以读懂你写的正则表达式
根据你写的表达式去执行任务
用re去操作正则
正则表达式
使用一些规则来检测一些字符串是否符合个人要求,从一段字符串中找到符合要求的内容。在线测试网站: http://tool.chinaz.com/regex/
元字符:更加笼统的匹配
元字符 | 匹配内容 |
. | 匹配除换行符以外的任意字符 |
^ | 只匹配字符串的开始 |
$ | 只匹配字符串的结束 |
\w | 匹配字母或数字或下划线 |
\s | 匹配任意空白符 |
\d | 匹配数字 |
\n | 匹配一个换行符 |
\t | 匹配一个制表符 |
\W | 匹配非字母数字和下划线 |
\S | 匹配非空白符 |
\D | 匹配非数字 |
a|b | 匹配字符a或b |
() | 匹配括号内的表达式,也表示一个组 |
[ ] | 匹配字符组的字符 |
[^ ] | 匹配除了字符组中字符的所有字符 |
量词:
量词 | 用法说明 |
* | 重复零次或更多次 |
+ | 重复一次或更多次 |
? | 重复零次或一次 |
{n} | 重复n次 |
{n,} | 重复n次或更多次 |
{n,m} | 重复n到m次 |
.*?的用法说明:
. 任意字符
* 取0至无限长度
? 非贪婪模式
.*?x 合在一起表示取尽量少的任意字符,知道一个x出现
其他使用说明:
* + ? { }
正则 | 带匹配字符 | 匹配结果 | 说明 |
李.+ | 李杰和李莲英和李二棍子 | 李杰和李莲英和李二棍子 | +表示重复一次或多次,即只匹配"李"后面1个或多个任意字符 |
李.* | 李杰和李莲英和李二棍子 | 李杰和李莲英和李二棍子 | *表示重复零次或多次,即匹配‘李’后面0或多个任意字符 |
李.{1,2} | 李杰和李莲英和李二棍子 |
李杰和
李莲英
李二棍
|
{1,2}匹配1到2次任意字符,注意这里不管是{0,2还是{1,2}结果是一样 |
李.*? | 李杰和李莲英和李二棍子 |
李
李
李
|
惰性匹配 |
注: *,+,?等都是贪婪匹配,也就是尽可能匹配,后面加?号使其变成惰性匹配
字符集[][^]
正则
|
带匹配字符
|
匹配结果
|
说明
|
李[杰莲英二棍子]*
|
李杰和李莲英和李二棍子
|
李杰
李莲英
李二棍子
|
表示匹配‘李’字后面[杰莲英二棍子]的字符任意次
|
李[^和]*
|
李杰和李莲英和李二棍子
|
李杰
李莲英
李二棍子
|
表示匹配一个不是‘和’的字符任意次
|
[\d]
|
2ds15fs
|
2
1
5
|
表示匹配任意一个数字,得到3个结果
|
[\d]+
|
2ds15fs
|
2
15
|
表示匹配任意个数字,得到2个结果
|
注:这里最下面两个的区别
分组 ()与 或 |[^]
身份证号是一个长度为15或18个字符的字符串,如果是15位则全部由数字组成,首位不能是0
如果是18位,则前17位全部是数字,末尾可能是x
正则
|
带匹配字符
|
匹配结果
|
说明
|
^[1-9]\d{13,16}[0-9x]$ | 110101198001017032 | 110101198001017032 | 可以匹配,但并不是正确的身份证号,它是15到18位任意数字,都符合 |
^[1-9]\d{14}(\d{2}[0-9x])?$ | 110101198001017032 | 110101198001017032 |
这里()表示分组,将\d{2}[0-9x]分成一组,就可以整体约束他们出现的次数为0-1次
|
^([1-9]\d{16}[0-9x]|[1-9]\d{14})$ | 110101198001017032 | 110101198001017032 | 表示先匹配[1-9]\d{16}[0-9x],如果没有匹配上就匹配[1-9]\d{14} |
注:这里关于这个分组还比较难理解,要多看
转义符 \
在正则中,存在很多特殊意义的元字符,如\d,\s等,如果要在正则中匹配正常的‘\d’而不是‘数字’就需要对‘\d’进行转义,变成‘\\’
在py中,无论是正则表达式还是待匹配内容都是以字符串形式出现的,字符串中\也有特殊含义,本身也需要转义,这时候就要用到r‘\d’转换
正则
|
带匹配字符
|
匹配结果
|
说明
|
\d
|
\d
|
False
|
因为在正则表达式中\是有特殊意义的字符,所以要匹配\d本身,用表达式\d无法匹配
|
\\d
|
\d
|
True
|
转义\之后变成\\,即可匹配
|
"\\\\d"
|
'\\d'
|
True
|
如果在python中,字符串中的'\'也需要转义,所以每一个字符串'\'又需要转义一次
|
r'\\d'
|
r'\d'
|
True
|
在字符串之前加r,让整个字符串不转义
|
贪婪匹配
满足匹配时,匹配尽可能长的字符串
正则
|
带匹配字符
|
匹配结果
|
说明
|
<.*>
|
<script>...<script>
|
<script>...<script>
|
默认为贪婪匹配模式,会匹配尽量长的字符串
|
<.*?>
|
<script>...<script>
|
<script>
<script>
|
加上?为将贪婪匹配模式转为非贪婪匹配模式,会匹配尽量短的字符串
|
几个常用非贪婪匹配格式
正则
|
说明
|
*?
|
重复任意次,但尽可能少重复
|
+?
|
重复1次或更多次,但尽可能少重复
|
??
|
重复0次或1次,但尽可能少重复
|
{n,m}?
|
重复n到m次,但尽可能少重复
|
{n,}?
|
重复n次以上,但尽可能少重复
|
re模块下的常用方法
import re ret = re.findall('a', 'eva egon yuan') print(ret) # ['a', 'a'] ret = re.findall('\d+', 'dsaglhlkdfh1892494kashdgkjh127839') print(ret) # ['1892494', '127839'] # findall接收两个参数 : 正则表达式 要匹配的字符串 # 一个列表数据类型的返回值:所有和这条正则匹配的结果 ret = re.search('a', 'eavegonyaun').group() print(ret) # a # 函数会在字符串内查找模式匹配,直到找到第一个匹配然后返回一个包含匹配信息的对象,该 # 对象可以通过调用group()方法得到匹配的字符串,如果字符串没有匹配,未调用group时 # 则返回None。 # search和findall的区别: # 1.search找到一个就返回,findall是找所有 # 2.findall是直接返回一个结果的列表,search返回一个对象 ret = re.match('a', 'eva egon yuan') if ret: print(ret.group()) # 意味着在正则表达式中添加了一个^ # 同search,不过尽在字符串开始处进行匹配 ret = re.sub('\d', 'H', 'eva3egon4yuan4', 2) print(ret) # evaHegonHyuan4 # 将前两个数字换成H ret = re.subn('\d', 'H', 'eva3egon4yuan4') print(ret) # ('evaHegonHyuanH', 3) # #将数字替换成'H',返回元组(替换的结果,替换了多少次) ret = re.split("\d+", "eva3egon4yuan") print(ret) # ['eva', 'egon', 'yuan'] ret = re.split("(\d+)", "eva162784673egon44yuan") print(ret) # ['eva', '3', 'egon', '4', 'yuan'] # split分割一个字符串,默认被匹配到的分隔符不会出现在结果列表中, # 如果将匹配的正则放到组内,就会将分隔符放到结果列表里 # 在多次执行同一条正则规则的时: obj = re.compile('\d{3}') ret1 = obj.search('abc123eeee') ret2 = obj.findall('abc123eeee') print(ret1.group()) # 123 print(ret2) # ['123'] # 如果匹配文件中的手机号,可以进行这样的一次编译,节省时间 # finditer适用于结果比较多的情况下,能够有效的节省内存 ret = re.finditer('\d', 'ds3sy4784a') print(ret) # <callable_iterator object at 0x10195f940> print(next(ret).group()) # 查看第一个结果 print(next(ret).group()) # 查看第二个结果 print([i.group() for i in ret]) # 查看剩余的左右结果
关于分组:
如果对一组正则表达式整体有一个量词约束,就将这一组表达是分成一个组
# 当分组遇到re模块 import re ret1 = re.findall('www.(baidu|oldboy).com', 'www.baidu.com') ret2 = re.findall('www.(?:baidu|oldboy).com', 'www.baidu.com') print(ret1) print(ret2) # findall会优先显示组内匹配到的内容返回 # 如果想取消分组优先效果,在组内开始的时候加上?: # 分组的意义 # 1.对一组正则规则进行量词约束 # 2.从一整条正则规则匹配的结果中优先显示组内的内容 # "<h1>hello</h1>" ret = re.findall('<\w+>(\w+)</\w+>', "<h1>hello</h1>") print(ret) # ['hello'] # 分组命名 ret = re.search("<(?P<tag>\w+)>(?P<content>\w+)</(?P=tag)>", "<h1>hello</h1>") print(ret.group()) # <h1>hello</h1>,search中没有分组优先的概念 print(ret.group('tag')) # h1 print(ret.group('content')) # hello # 如果不给组起名字,也可以用\序号来找到对应的组,表示要找的内容和前面的组内容一致 # 获取的匹配结果可以直接用group(序号)拿到对应的值 ret = re.search(r"<(\w+)>(\w+)</\1>", "<h1>hello</h1>") print(ret.group()) # <h1>hello</h1> print(ret.group(0)) # <h1>hello</h1> print(ret.group(1)) # h1 print(ret.group(2)) # hello