Python正則表達(dá)式是什么，怎么用

本篇內(nèi)容介紹了“Python正則表達(dá)式是什么，怎么用”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

一、re

我們先介紹一下re模塊下的方法，這個是我們拿來就可以用的，當(dāng)然前提是知道一點正則表達(dá)式，如果對正則表達(dá)式完全不了解，可以先看一下后面正則表達(dá)式部分。

1.1 match

match方法從字符串的起始位置匹配一個模式，如果沒有匹配成功match就返回None

re.match(pattern, string, flags=0)

pattern：正則表達(dá)式 string：待匹配的字符串 flags：匹配模式(是否區(qū)分大小寫、單行匹配還是多行匹配)

match返回的是一個re.Match對象，后面會詳細(xì)介紹Match中的方法。

import re

content = "Cats are smarter than dogs"

# 第一個參數(shù)是正則表達(dá)式，re.I表示忽略大小寫
match = re.match(r'(cats)', content, re.I)
print(type(match))
print(match.groups())

match = re.match(r'dogs', content, re.I)
print(type(match))
# print(match.groups())

match主要是用于捕獲分組，所以盡量使用分組模式，不然匹配了也無法獲取結(jié)果，flag是re.I表示忽略大小寫。

另外非常重要的一點match只會找第一個匹配的分組:

import re

content = "aa aa smarter aa dogs"

match = re.match(r'(aa)', content, re.I)
if match:
    print(match.groups())

上面輸出的是：('aa',)

1.2 search

掃描整個字符串并返回第一個成功的匹配，search和match不同之處在于，search沒有強制要求從開始匹配。

re.search(pattern, string, flags=0)

import re

content = '+123abc456*def789ghi'

# \w能夠匹配[a-zA-Z0-9_]，+表示至少匹配一次
reg = r"\w+"
match = re.search(reg, content)

if match:
    print(match.group())

1.3 sub

替換字符串中的匹配項

re.sub(pattern, repl, string, count=0, flags=0)

pattern: 正則表達(dá)式 repl: 替換的字符串，可以是函數(shù) string: 要被查找替換的字符串 count: 模式匹配后替換的最大次數(shù)，默認(rèn)0表示替換所有的匹配，可選 flags: 可選參數(shù)，匹配模式，默認(rèn)為0

替換和諧字符：

import re

content = "do something fuck you"

rs = re.sub(r'fuck', "*", content)
print(rs)

非常簡單，把fuck替換為*

現(xiàn)在需求變了，我們需要被屏蔽的單詞有幾個字符，就替換為幾個*，怎么處理？

import re

def calcWords(matched):
    num = len(matched.group())
    return str(num * '*')

content = "do something fuck you"

rs = re.sub(r'fuck', calcWords, content)
print(rs)

替換的字符串可以使用函數(shù)，我們在函數(shù)中就可以非常容易的計算了

1.4 findall

在字符串中找到正則表達(dá)式所匹配的所有子串，并返回一個列表，如果沒有找到匹配的，則返回空列表。

re.findall(pattern, string, flags=0)

pattern:正則表達(dá)式 string: 待匹配的字符串 flags: 可選參數(shù)，匹配模式，默認(rèn)為0

import re

content = '+123abc456*def789ghi'

reg = r"\d+"
rs = re.findall(reg, content)
# ['123', '456', '789']
print(rs)

findall有一個讓人狂躁的地方是，如果正則表達(dá)式中有分組，就只會返回分組中的匹配。

import re

content = '+123abc456*def789ghi'

reg = r"\d+([a-z]+)"
rs = re.findall(reg, content)
# ['abc', 'ghi']
print(rs)

1.5 finditer

在字符串中找到正則表達(dá)式所匹配的所有子串，并把它們作為一個迭代器返回

re.finditer(pattern, string, flags=0)

pattern:正則表達(dá)式 string: 待匹配的字符串 flags: 可選參數(shù)，匹配模式，默認(rèn)為0

import re

content = '+123abc456*def789ghi'

reg = r"\d+"
rss = re.finditer(reg, content)

# 123 456 789 
for rs in rss:
    print(rs.group(), end=' ')

finditer和findall差不多，但是沒有findall的那個令人狂躁的如果有分組只返回分組的問題。

import re

content = '+123abc456*def789ghi'

reg = r"\d+([a-z]+)"
rss = re.finditer(reg, content)

# 123abc 789ghi
for rs in rss:
    print(rs.group(), end=' ')

1.6 split

按照匹配的子串將字符串分割后返回列表

re.split(pattern, string, maxsplit=0, flags=0)

import re

content = '+123abc456*def789ghi'

reg = r"\d+"
rs = re.split(reg, content)

print(rs)

1.7 compile

編譯正則表達(dá)式，生成一個正則表達(dá)式Pattern對象，前面的方法都會先調(diào)用這個方法得到一個Pattern對象，然后再使用Pattern對象的同名方法。

接下來，我們馬上就會介紹一下Pattern對象。

re.compile(pattern, flags=0)

二、Pattern

Pattern對象是一個編譯好的正則表達(dá)式，Pattern不能直接實例化，必須使用re.compile()進(jìn)行構(gòu)造。

2.1 屬性

import re

pattern = re.compile(r'(\w+)(?P<gname>.*)', re.S)

# pattern: (\w+)(?P<gname>.*)
print("pattern:", pattern.pattern)
# flags: 48
print("flags:", pattern.flags)
# groups: 2
print("groups:", pattern.groups)
# groupindex: {'gname': 2}
print("groupindex:", pattern.groupindex)

2.2 方法

前面re模塊中介紹的方法對于Pattern都適用，只是少了pattern參數(shù)

其實很簡單，re模塊中的方法使用pattern參數(shù)，通過re.compile方法構(gòu)造了一個Pattern對象

三、Match

Match對象是一次匹配的結(jié)果，包含此次匹配的信息，可以使用Match提供的屬性或方法來獲取這些信息。

3.1 屬性

import re

content = "123456<H1>first</h2>123456"

reg = r'\d+<[hH](?P<num>[1-6])>.*?</[hH](?P=num)>'

match = re.match(reg, content)

# string: 123456<H1>first</h2>123456
print("string:", match.string)
# re: re.compile('\\d+<[hH](?P<num>[1-6])>.*?</[hH](?P=num)>')
print("re:", match.re)
# pos: 0
print("pos:", match.pos)
# endpos: 26
print("endpos:", match.endpos)
# lastindex: 1
print("lastindex:", match.lastindex)
# lastgroup: num
print("lastgroup:", match.lastgroup)

感覺Match的屬性稍微有些雞肋。

3.2 方法

注意：無參數(shù)group等價于group(0)，返回整個匹配到的字符串

import re

match = re.match(r'(\w+) (\w+) (?P<name>.*)', 'You love sun')

# groups(): ('You', 'love', 'sun')
print("groups():", match.groups())
# group(2,3): ('love', 'sun')
print("group(2,3):", match.group(2, 3))
# start(2): 4
print("start(2):", match.start(2))
# end(2): 8
print("end(2):", match.end(2))
# span(2): (4, 8)
print("span(2):", match.span(2))
# groupdict(): {'name': 'sun'}
print("groupdict():", match.groupdict())
# expand(r'I \2 \1!'): I love You!
print(r"expand(r'I \2 \1!'):", match.expand(r'I \2 \1!'))

上面Match中的方法還是比較重要的，因為我們基本最后都是通過Match對象中的方法來獲取匹配的

四、正則表達(dá)式

4.1 常用

最常用的就是.匹配任意字符，a.b就可以匹配abb、acb、adb、a+b、a8b等等

?表示最多匹配一次：abb?可以匹配ab、abb，但是不能匹配abbabb，因為?只是指前一個片段

+表示至少匹配一次：abb+可以匹配abb、abbb、abbbb等等，當(dāng)時不能匹配ab

*表示0到多次： abb*可以匹配ab、abb、abbb、abbbb等等

[]中有一組字符，字符間的關(guān)系是或

4.2 邊界空白

4.3 分組

分組最重要的一個作用就是可以回溯，就是引用已經(jīng)匹配的模式。

思考：html中如何匹配全部h標(biāo)簽？

reg = '<[hH][1-6]>.*?</[hH][1-6]>'

很多朋友可能會寫出類似于上面的表達(dá)式，有什么問題嗎？

看下面的例子：

import re

content = '''
    <html>
    <body>
      <H1>first</h2>
      <p>p tag</p>
      <h3>h3</h3>
      <h4>非法標(biāo)簽</h5>
    </body>
    </html>
'''

rs = re.findall(r'<[hH][1-6]>.*?</[hH][1-6]>', content)
print(rs)

rs = re.findall(r'<[hH]([1-6])>.*?</[hH]\1>', content)
print(rs)

rs = re.findall(r'((<[hH]([1-6])>).*?</[hH]\3>)', content)
print(rs)

rs = re.findall(r'((<[hH](?P<num>[1-6])>).*?</[hH](?P=num)>)', content)
print(rs)

看輸出，我們知道：

reg = '<[hH][1-6]>.*?</[hH][1-6]>'

會把'<h4>非法標(biāo)簽</h5>'這一部分也匹配到。

我們可以通過分組，然后引用分組來解決這個問題。

reg1 = '<[hH]([1-6])>.*?</[hH]\1>'
reg2 = '((<[hH]([1-6])>).*?</[hH]\3>)'

因為如果有分組，findall之后打印出匹配分組，所以我們使用reg2這個正則表達(dá)式。

為什么是\3呢？

因為根據(jù)從左到右，從外到里的原則，我們知道([1-6])是第3個分組。

如果覺得不想去數(shù)，或者怕數(shù)錯，那么就可以使用別名的方式。

reg = '((<[hH](?P<num>[1-6])>).*?</[hH](?P=num)>)'

4.4 前后匹配

前后匹配也是一個非要有用的功能，它的一個重要特性是不消費re部分，下面看一個例子幫助理解。

import re

content = '''
http://www.mycollege.vip
https://mail.mycollege.vip
ftp://ftp.mycollege.vip
'''

# 向前匹配，匹配:前面的schema，不消費:
rs = re.findall(r'.+(?=:)', content)
# ['http', 'https', 'ftp']
print(rs)

# 向后匹配，匹配//后面的域名，不消費//
rs = re.findall(r'(?<=//).+', content)
# ['www.mycollege.vip', 'mail.mycollege.vip', 'ftp.mycollege.vip']
print(rs)

# 向后匹配，匹配$后面的數(shù)字，不消費$
price = '''
item1:$99.9
CX99:$199
ZZ88:$999
'''

rs = re.findall(r'(?<=\$)[0-9.]+', price)
# ['99.9', '199', '999']
print(rs)

# 前后匹配
title = '''
<head>
    <title>this is title</title>
</head>
'''

rs = re.findall(r'(?<=<title>).*(?=</title>)', title)
# ['this is title']
print(rs)

4.5 其他匹配

4.6 flags

re.M是多行匹配模式：

1. ^可以匹配字符串開頭，也可以匹配行的開頭，字符串中換行符\n之后的位置

2. $可以匹配字符串結(jié)尾，也可以匹配行的結(jié)尾，字符串中換行符\n之前的位置

單行模式:

1. ^等價于\A

2. $等價于\Z

import re

content = '''
first line
second line
third line
'''

# ['first', 'second', 'third']
rs = re.findall(r'^(.*) line$', content, re.M)
# []
# rs = re.findall(r'^(.*) line$', content)
# []
# rs = re.findall(r'\A(.*) line\Z', content, re.M)
print(rs)

上面的小例子多行模式可以匹配成功，單行模式不能，因為單行模式^不能匹配\n后的位置，所以開頭就不匹配。

反過來，我們在決定是否使用re.M的時候，只需要考慮正則表達(dá)式中有沒有^和$，如果沒有肯定是不需要的，如果有，那么思考是否需要匹配\n(換行符)前后的位置，需要則加上re.M。

re.L和re.U比較不好理解，2.x和3.x的變化也很大，基本用不上，有興趣可以看一下文檔。

“Python正則表達(dá)式是什么，怎么用”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！