Diretório de artigos
prefácio
1、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。
2、Python中我们经常用match、search、findall函数搭配使用快速获取关键字符串。
1. Expressões regulares
1. Explicação detalhada dos metacaracteres
pattern:匹配的关键字
metacaractere | descrever |
---|---|
\ | Coloca o próximo token de caractere, ou uma referência inversa, ou um escape octal. |
^ | Corresponde ao início da linha de entrada. |
$ | Corresponde ao final da linha de entrada. |
* | Corresponde a 0 ou mais expressões. Exemplo: A expressão zo* pode corresponder a "z", assim como "zo" e "zoooo...". Porque o pode ser 0 ou mais. |
+ | Combine 1 ou mais expressões. Exemplo: A expressão zo+ pode corresponder a "zo" e "zoooo...", mas não a "z". Porque o tem pelo menos 1. |
? | Corresponde a 0 ou 1 expressão. Exemplo: a expressão zo? Pode corresponder a "z" e "zo", porque o pode existir 0 ou 1. |
{n} | Corresponde ao caractere n vezes. Exemplo: a expressão o{2} pode corresponder a dois o's em "comida". |
{n,} | Corresponde a um caractere pelo menos n vezes. A expressão o{2,} pode corresponder a todos os o em "foooood", mas não pode corresponder a "o" em "fod", porque há apenas um o em fod e o{2,} requer mais de dois o. |
{n,m} | Corresponde caracteres pelo menos n vezes e no máximo m vezes. Por exemplo, a expressão o{1,3} pode corresponder a "fod", "food" e "foood", o existe 1 ou 3 vezes. |
? | Quando esse caractere segue imediatamente qualquer um dos outros qualificadores (*,+, {n}, {n,}, {n,m}), o padrão correspondente é não guloso. O modo não guloso corresponde o mínimo possível à string pesquisada, enquanto o modo ganancioso padrão corresponde o máximo possível à string pesquisada. Por exemplo, para a string "oooo", "o+" corresponderá ao maior número possível de "o", resultando em ["oooo"], enquanto "o+?" corresponderá ao menor número possível de "o", resultando em ['o', 'o', 'o', 'o'] |
. | Corresponde a qualquer caractere único, exceto "\n" e "\r". Para corresponder a qualquer caractere, incluindo "\n" e "\r", use um padrão como "[\s\S]". |
(padrão) | Corresponde ao padrão e recupera esta correspondência. |
(?:padrão) | Correspondência de não aquisição, corresponde ao padrão, mas não obtém o resultado correspondente e não o armazena para uso posterior. |
(?=padrão) | Forward lookahead assertion, há conteúdo de pattren atrás da correspondência, por exemplo: a expressão \S(?=you), pode combinar "love" em "I love you", porque "love" é seguido por "you", então é correspondido com sucesso . (\S significa corresponder a qualquer caractere visível) |
(?!padrão) | Asserção lookahead negativa, casa com o conteúdo sem pattren depois dele, por exemplo: a expressão \S(?! You), não pode casar com o "amor" em "eu te amo", o que eu preciso casar é o conteúdo sem "você" depois do caractere . (\S significa corresponder a qualquer caractere visível) |
(?<=padrão) | Afirmação regressiva para frente, corresponde ao conteúdo com pattren na frente, por exemplo: a expressão (?<=I)\S, pode corresponder ao "amor" em "eu te amo", porque "amor" tem "eu" na frente, portanto é correspondido com sucesso . (\S significa corresponder a qualquer caractere visível) |
(?<!padrão) | Asserção lookbehind negativa, corresponde ao conteúdo sem padrão na frente, por exemplo: a expressão \S(?!I), não pode corresponder ao "amor" em "eu te amo", o que preciso corresponder é o conteúdo sem "I" após o caractere . (\S significa corresponder a qualquer caractere visível) |
x|y | Combine x ou y. Por exemplo, a expressão "z|food" corresponde a "z" ou "food" (tenha cuidado aqui). "[z|f]ood" corresponde a "zood" ou "food". |
[xyz] | coleção de personagens. Corresponde a qualquer um dos caracteres contidos. Por exemplo, "[abc]" corresponderia a "a" em "simples". |
[^xyz] | Conjunto de caracteres negativos. Corresponde a qualquer caractere não contido. Por exemplo, "[^abc]" pode corresponder a qualquer caractere em "plin" em "plain". |
[az] | gama de caracteres. Corresponde a qualquer caractere no intervalo especificado. Por exemplo, "[az]" corresponde a qualquer caractere alfabético minúsculo no intervalo de "a" a "z". |
[^az] | Um intervalo de caracteres negativos. Corresponde a qualquer caractere arbitrário que não esteja no intervalo especificado. Por exemplo, "[^az]" corresponde a qualquer caractere que não esteja no intervalo de "a" a "z". |
\b | Corresponde ao limite de uma palavra, ou seja, a posição entre a palavra e o espaço (ou seja, existem dois conceitos de "correspondência" em expressões regulares, um é o caractere correspondente e o outro é a posição correspondente, onde \b é a posição correspondente). Por exemplo, "er\b" pode corresponder a "er" em "nunca", mas não a "er" em "verbo"; "\b1_" pode corresponder a "1_" em "1_23", mas não a "1_" em "21_3". |
\B | Corresponde aos limites não-palavra. "er\B" corresponde a "er" em "verbo", mas não a "er" em "nunca". |
\d | Corresponde a um caractere numérico. Equivalente a [0-9]. |
\D | Corresponde a um caractere não numérico. Equivalente a [^0-9]. |
\f | Corresponde a um caractere de feed de formulário. |
\n | Corresponde a um caractere de nova linha. |
\r | Corresponde a um retorno de linha. |
\s | Corresponde a qualquer caractere invisível, incluindo espaços, tabulações, feeds de formulário, etc. |
\S | Corresponde a qualquer caractere visível. |
\ t | Corresponde a um caractere de tabulação. |
\v | Corresponde a um caractere de tabulação vertical. |
\c | Corresponde a qualquer caractere de palavra, incluindo um sublinhado. Semelhante, mas não equivalente a "[A-Za-z0-9]", onde os caracteres "palavra" usam o conjunto de caracteres Unicode. |
\C | Corresponde a qualquer caractere que não seja de palavra. Equivalente a "[^A-Za-z0-9_]". |
\num | Corresponde a num, onde num é um número inteiro positivo. Uma referência ao hit que foi buscado. Por exemplo, "(.)\1" corresponde a dois caracteres idênticos consecutivos. |
\n | Identifica um valor de escape octal ou uma referência anterior. Se \n for precedido por pelo menos n subexpressões buscadas, então n é uma referência inversa. Caso contrário, se n for um dígito octal (0-7), então n é um valor de escape octal. |
< > | Corresponde ao início (<) e ao fim (>) de uma palavra. Por exemplo, a expressão regular <the> pode corresponder a "the" na string "for the wise", mas não a "the" na string "caso contrário". Nota: Este metacaractere não é suportado por todos os softwares. |
( ) | 将( 和 ) 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 \1 到\9 的符号来引用。 |
| | 将两个匹配条件进行逻辑“或”(or)运算。 |
2、等价方法(速记)
一、等价:
等价是等同于的意思,表示同样的功能,用不同符号来书写。
?,*,+,\d,\w 都是等价字符
?等价于匹配长度{
0,1}
*等价于匹配长度{
0,}
+等价于匹配长度{
1,}
\d等价于[0-9]
\D等价于[^0-9]
\w等价于[A-Za-z_0-9]
\W等价于[^A-Za-z_0-9]。
二、常用运算符与表达式:
^ 开始
()域段
[] 包含,默认是一个字符长度
[^] 不包含,默认是一个字符长度
{
n,m} 匹配长度
. 任何单个字符(\. 字符点)
| 或
\ 转义
$ 结尾
[A-Z] 26个大写字母
[a-z] 26个小写字母
[0-9] 0至9数字
[A-Za-z0-9] 26个大写字母、26个小写字母和0至9数字
二、常用的表达式
1、常用的正则表达式
常见的正则表达式
1.验证用户名和密码:("[a-zA-Z]\w{5,15}")正确格式:"[A-Z][a-z]_[0-9]"组成,并且第一个字必须为字母6~16位;
2.验证电话号码:("(\d{3,4}-)\d{7,8}")正确格式:xxx/xxxx-xxxxxxx/xxxxxxxx;
3.验证手机号码(包含虚拟号码和新号码段):"1([38][0-9]|4[5-9]|5[0-3,5-9]|66|7[0-8]|9[89])[0-9]{8}";
4.验证身份证号(15位):"\d{14}[[0-9],0-9xX]",(18位):"\d{17}(\d|X|x)";
5.验证Email地址:("\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*");
6.只能输入由数字和26个英文字母组成的字符串:("[A-Za-z0-9]+");
7.整数或者小数:[0-9]+([.][0-9]+){
0,1}
8.只能输入数字:"[0-9]*"。
9.只能输入n位的数字:"\d{n}"。
10.只能输入至少n位的数字:"\d{n,}"。
11.只能输入m~n位的数字:"\d{m,n}"。
12.只能输入零和非零开头的数字:"(0|[1-9][0-9]*)"。
13.只能输入有两位小数的正实数:"[0-9]+(\.[0-9]{2})?"。
14.只能输入有1~3位小数的正实数:"[0-9]+(\.[0-9]{1,3})?"。
15.只能输入非零的正整数:"\+?[1-9][0-9]*"。
16.只能输入非零的负整数:"\-[1-9][0-9]*"。
17.只能输入长度为3的字符:".{3}"。
18.只能输入由26个英文字母组成的字符串:"[A-Za-z]+"。
19.只能输入由26个大写英文字母组成的字符串:"[A-Z]+"。
20.只能输入由26个小写英文字母组成的字符串:"[a-z]+"。
21.验证是否含有^%&',;=?$\"等字符:"[%&',;=?$\\^]+"。
22.只能输入汉字:"[\u4e00-\u9fa5]{0,}"。
23.验证URL:"http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?"。
24.验证一年的12个月:"(0?[1-9]|1[0-2])"正确格式为:"01"~"09"和"10"~"12"。
25.验证一个月的31天:"((0?[1-9])|((1|2)[0-9])|30|31)"正确格式为;"01"~"09"、"10"~"29"和“30”~“31”。
26.获取日期正则表达式:\\d{
4}[年|\-|\.]\d{
\1-\12}[月|\-|\.]\d{
\1-\31}日?
评注:可用来匹配大多数年月日信息。
27.匹配双字节字符(包括汉字在内):[^\x00-\xff]
评注:可以用来计算字符串的长度(一个双字节字符长度计2,ASCII字符计1)
28.匹配空白行的正则表达式:\n\s*\r
评注:可以用来删除空白行
29.匹配HTML标记的正则表达式:<(\S*?)[^>]*>.*?</>|<.*? />
30.匹配首尾空白字符的正则表达式:\s*|\s*
评注:可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等),非常有用的表达式
31.匹配网址URL的正则表达式:[a-zA-z]+://[^\s]*
32.匹配帐号是否合法(字母开头,允许5-16字节,允许字母数字下划线):[a-zA-Z][a-zA-Z0-9_]{
4,15}
评注:表单验证时很实用
33.匹配腾讯QQ号:[1-9][0-9]{
4,}
34.匹配中国邮政编码:[1-9]\\d{
5}(?!\d)
评注:中国邮政编码为6位数字
35.匹配ip地址:([1-9]{
1,3}\.){
3}[1-9]。
评注:提取ip地址时有用
36.匹配MAC地址:([A-Fa-f0-9]{
2}\:){
5}[A-Fa-f0-9]
37.匹配括号内的内容(懒惰匹配):\((.*?)\)
38.匹配括号内的内容(贪婪匹配):\((.*)\)
2、先行断言和后行断言
在使用正则表达式的过程中发现先行断言和后行断言比较好用,但是也比较难理解,这里刚好做一下解释。
1)正向先行断言:(?=pattren)
正向先行断言,匹配后面有pattren的内容。
如何匹配python yyds,what is the python
中第一个python
?这时可以用到正向先行断言。
根据上图,因为第一个python 的后面紧接着yyds,因此直接使用.*(?=yyds),就能直接匹配到第一个python
。
2)负向先行断言:(?!pattren)
负向先行断言,匹配后面没有pattren的内容。
如何匹配python yyds,what is the pycharm
中含有py的pycharm
,这时可以用到负向先行断言。
根据上图,py后面没有thon的只有pycharm
。
3)正向后行断言:(?<=pattren)
正向后行断言,匹配前面有pattren的内容。
如何匹配python yyds,what is the pycharm
中前面有python的内容
,这时可以用到正向后行断言。
根据上图,前面有python的字符串为 yyds,what is the pycharm
。
4)负向后行断言:(?<!pattren)
负向后行断言,匹配字符串前面没有pattren的内容。
如何匹配python yyds,what is the pycharm yyds
中前面没有python 的yyds
,这时可以用到负向后行断言。
根据上图,前面没有python的yyds为pycharm之后的yyds
。
.*是匹配所有(除换行符外)的所有字符串。
三、Python匹配函数
注:使用这三个函数需要使用re库
1、Match函数
1)re.match函数介绍
re.match从字符串的起始位置开始匹配,如果没有在起始位置匹配成功的话则会返回None。
import re
#如果成功匹配字符串会返回一个对象,如果没有则会返回None;
matchobj = re.match(pattern,string,flags=0)
参数
1)pattern:匹配的正则表达式
2)string:需要匹配的字符串
3)flags参数:标志位,用于选择正则表达式的匹配方式(大小写,多行匹配)
re.I 忽略大小写
re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.M 多行模式
re.S 即为 . 并且包括换行符在内的任意字符(. 不包括换行符)
re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
re.X 为了增加可读性,忽略空格和#后面的注释
#返回结果的调用方法
matchobj.groups()
matchobj.group(num=0)
matchobj.span()
2)re.match函数方法案例
import re
#re.match方法
#注意1:group用法
string="python yyds"
matchobj = re.match("python",string)
print(matchobj.group(0))
>>>python
#注意2:需要从字符串开始的地方匹配
string="python yyds"
matchobj = re.match("yyds",string)
print(matchobj.group(0))
>>>AttributeError: 'NoneType' object has no attribute 'group'
#re.match是从字符串的起始位置开始匹配,如果字符串开始未匹配到字符串,则会报错。
#注意3:需要优化一下
string="python yyds"
matchobj = re.match("Python",string,re.I)
#如果没有匹配到结果就使用matchobj.group(0)属性报错。
if matchobj:
print(matchobj.group(0))
#注意4:flags大小写设置
string="python yyds"
matchobj = re.match("Python",string,re.I)
if matchobj:
print(matchobj.group(0))
>>>python
#这里匹配到了python,因为re.I忽略大小写匹配。
2、Search函数
1)Search函数介绍
re.search扫描整个字符串并返回第一个成功的匹配;re.search和re.match的区别在于re.match只匹配字符串的开始,如果开始匹配不上,则匹配失败;而re.search从任何地方找。
import re
#同样的正则表达式,看看re.match和re.search的区别
#re.match
string="python yyds"
matchobj = re.match("yyds",string)
if matchobj:
print(matchobj.group(0))
>>>AttributeError: 'NoneType' object has no attribute 'group'
#re.match是从字符串的起始位置开始匹配,如果字符串开始未匹配到字符串,则会报错。
#re.search
string="python yyds"
matchobj = re.search("yyds",string)
if matchobj:
print(matchobj.group(0))
>>>yyds
3、Findall函数
1)Findall函数介绍
re.findall会返回所有匹配到的结果,匹配的结果为列表(,re.findall与search、match的区别在于:search和match是一次匹配,找到后返回匹配对象;而findall则会多次匹配,返回匹配列表。
import re
string = "python is the best language,python yyds"
matchobj = re.findall("python",string)
if matchobj is not None:
print(matchobj)
print(matchobj[0])
>>>['python', 'python']
>>>python
四、regex101网站推荐
在这个网站可以输入正则表达式来匹配函数,能够快速匹配到结果,非常好用。