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
| 特殊字符 | 解释 |
| . | 匹配除换行符之外的任何字符 |
| ^ | 匹配字符串的开头 |
| $ | 匹配字符串的结尾 |
| * | 匹配前面的字符0次或更多次，尽可能多的重复，ab*将匹配’a’,’ab’或者a后面加任意数量的b |
| + | 匹配前面的字符一次或更多次，ab+将匹配’ab’后加任意数量的b |
| ? | 匹配前面的字符0次或一次，ab将匹配’a’或’ab’ |
| *?,+?,?? | *,+,?都属于贪婪匹配，就是尽可能多的匹配，而有时我们希望以最少的模式匹配，可以在限定符之后加?表示以最少的方式匹配 |
| {m} | 匹配前一个字符至少m次 |
| {m,n} | 匹配前一个字符最少m次，最多n次 |
| {m,n}? | 以非贪婪模式匹配前一个字符，最少m次，最多n次，并以尽可能少的方式匹配 |
| \ | 转义字符，将\后面的字符进行转义 |
| [] | 表示一组字符，字符可以单个列出，也可以给定范围，如[abc]表示a或b或c，[a-z]表示26个小写字母中的任意一个，[^a-z]匹配非小写字母，[0-5][0-9]表示匹配00-59，特殊字符在[]也失去特殊意义，[(+ )]将匹配任何文字字符的’(‘,’)’,’+’,’‘ |
| | |
AB 匹配A或者B |
| () | 匹配括号内的正则，每个括号都是一个组，从左往右的括号，编号依次加一 |
| \A | 匹配字符串的开头 |
| \b | 只用以匹配单词的词首和词尾(退格符) |
| \B | 只在当前位置不在单词边界时匹配。 |
| \d | 匹配任何Unicode的十进制数字，与[0-9]相同 |
| D | 匹配任何非十进制的字符，与[^0-9]相同 |
| \s | 匹配Unicode的空白字符，匹配ascii字符集中包含空格的字符，相当于[\t\n\r\f\v] |
| \S | 匹配不是空白字符的字符，相当于[^\t\r\n\f\v] |
| \w | 匹配字母数字下划线，相当于[a-zA-Z0-9_] |
| \W | 匹配非字母数字下划线，相当于[^a-zA-Z0-9] |
| \Z | 仅匹配字符串结尾 |
(?P<name>) |
给分组加一个别名，(?P<a>)给分组取别名为a，每个组名只能在正则表达式中定义一次 |
| (?P=name) | 引用前面别名为name的分组匹配到的任何文本 |
| (?<=) | 前向界定，表示你要匹配的字符串前面是某个字符串的时候才匹配，(‘(?<=abc)def’,’abcdef’)当def前面是abc的时候才匹配 |
| (?=) | 后向界定，表示你要匹配的字符串后面是某个字符串的时候才匹配，(‘abc(?=def)’,’abcdef’) |
| (?<!) | 非前向界定，表示你要匹配的字符串前面不是某个字符串的时候才匹配，(‘(?<=abc)def’,’abcdef’)当def前面不是abc的时候才匹配 |
| (?!) | 非后向界定，表示你要匹配的字符串后面不是某个字符串的时候才匹配，(‘abc(?=def)’,’abcdef’) |
| (?(id/name)yes-pattern | no-pattern) |
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
- 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</
