189 8069 5689
本篇内容介绍了“Python正则表达式是什么，怎么用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
成都创新互联公司长期为上千客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为都兰企业提供专业的成都网站制作、成都网站建设、外贸营销网站建设，都兰网站改版等技术服务。拥有10年丰富建站经验和众多成功案例,为您定制开发。
我们先介绍一下re模块下的方法，这个是我们拿来就可以用的，当然前提是知道一点正则表达式，如果对正则表达式完全不了解，可以先看一下后面正则表达式部分。
match方法从字符串的起始位置匹配一个模式，如果没有匹配成功match就返回None
re.match(pattern, string, flags=0)
pattern：正则表达式 string：待匹配的字符串 flags：匹配模式(是否区分大小写、单行匹配还是多行匹配)
match返回的是一个re.Match对象，后面会详细介绍Match中的方法。
import re content = "Cats are smarter than dogs" # 第一个参数是正则表达式，re.I表示忽略大小写 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主要是用于捕获分组，所以尽量使用分组模式，不然匹配了也无法获取结果，flag是re.I表示忽略大小写。
另外非常重要的一点match只会找第一个匹配的分组:
import re content = "aa aa smarter aa dogs" match = re.match(r'(aa)', content, re.I) if match: print(match.groups())
上面输出的是：('aa',)
扫描整个字符串并返回第一个成功的匹配，search和match不同之处在于，search没有强制要求从开始匹配。
re.search(pattern, string, flags=0)
import re content = '+123abc456*def789ghi' # \w能够匹配[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())
替换字符串中的匹配项
re.sub(pattern, repl, string, count=0, flags=0)
pattern: 正则表达式 repl: 替换的字符串，可以是函数 string: 要被查找替换的字符串 count: 模式匹配后替换的最大次数，默认0表示替换所有的匹配，可选 flags: 可选参数，匹配模式，默认为0
替换和谐字符：
import re content = "do something fuck you" rs = re.sub(r'fuck', "*", content) print(rs)
非常简单，把fuck替换为*
现在需求变了，我们需要被屏蔽的单词有几个字符，就替换为几个*，怎么处理？
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)
替换的字符串可以使用函数，我们在函数中就可以非常容易的计算了
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。
re.findall(pattern, string, flags=0)
pattern:正则表达式 string: 待匹配的字符串 flags: 可选参数，匹配模式，默认为0
import re content = '+123abc456*def789ghi' reg = r"\d+" rs = re.findall(reg, content) # ['123', '456', '789'] print(rs)
findall有一个让人狂躁的地方是，如果正则表达式中有分组，就只会返回分组中的匹配。
import re content = '+123abc456*def789ghi' reg = r"\d+([a-z]+)" rs = re.findall(reg, content) # ['abc', 'ghi'] print(rs)
在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回
re.finditer(pattern, string, flags=0)
pattern:正则表达式 string: 待匹配的字符串 flags: 可选参数，匹配模式，默认为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，但是没有findall的那个令人狂躁的如果有分组只返回分组的问题。
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=' ')
按照匹配的子串将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)
编译正则表达式，生成一个正则表达式Pattern对象，前面的方法都会先调用这个方法得到一个Pattern对象，然后再使用Pattern对象的同名方法。
接下来，我们马上就会介绍一下Pattern对象。
re.compile(pattern, flags=0)
Pattern对象是一个编译好的正则表达式，Pattern不能直接实例化，必须使用re.compile()进行构造。
| 属性 | 说明 |
|---|---|
| pattern | 编译使用的正则表达式 |
| flags | 编译时用的匹配模式，数字形式 |
| groups | 表达式中分组的数量 |
| groupindex | 字典，键是分组的别名，值是分组的编号 |
import re pattern = re.compile(r'(\w+)(?P.*)', re.S) # pattern: (\w+)(?P .*) print("pattern:", pattern.pattern) # flags: 48 print("flags:", pattern.flags) # groups: 2 print("groups:", pattern.groups) # groupindex: {'gname': 2} print("groupindex:", pattern.groupindex)
前面re模块中介绍的方法对于Pattern都适用，只是少了pattern参数
其实很简单，re模块中的方法使用pattern参数，通过re.compile方法构造了一个Pattern对象
Match对象是一次匹配的结果，包含此次匹配的信息，可以使用Match提供的属性或方法来获取这些信息。
| 属性 | 说明 |
|---|---|
| string | 匹配时使用的文本 |
| re | 获取Pattern的表达式 |
| pos | 文本中正则表达式开始搜索的位置 |
| endpos | 文本中正则表达式结束搜索的位置 |
| lastindex | 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None |
| lastgroup | 最后一个被捕获的分组的别名。如果没有被捕获的分组，将为None |
import re content = "123456first123456" reg = r'\d+<[hH](?P
[1-6])>.*?' match = re.match(reg, content) # string: 123456 first123456 print("string:", match.string) # re: re.compile('\\d+<[hH](?P
[1-6])>.*?') 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)
感觉Match的属性稍微有些鸡肋。
| 方法 | 说明 |
|---|---|
| groups() | 获取所有分组匹配的字符串，返回元组 |
| group([group1,……]) | 获取分组匹配到的字符串，返回元组 |
| start(group) | 获取分组在原始字符串中的开始匹配位置 |
| end(group) | 获取分组在原始字符串中的结束匹配位置 |
| span(group) | 获取分组在原始字符串中的开始和结束匹配位置，元组 |
| groupdict() | 获取有别名的分组匹配的字符串，返回字典，别名是键 |
| expand(template) | template字符串中可以通过别名和编号引用匹配字符串 |
注意：无参数group等价于group(0)，返回整个匹配到的字符串
import re match = re.match(r'(\w+) (\w+) (?P.*)', '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中的方法还是比较重要的，因为我们基本最后都是通过Match对象中的方法来获取匹配的
| 表达式 | 说明 |
|---|---|
| . | 匹配任意字符，除了换行符，当re.S标记被指定时，则可以匹配包括换行符的任意字符 |
| ? | 匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式 |
| + | 匹配1个或多个的表达式 |
| * | 匹配0个或多个的表达式 |
| [] | 用来表示一组字符，单独列出，[abc] 匹配 'a'、'b'或'c' |
| [^] | 不在[]中的字符，[^abc] 匹配除了a,b,c之外的字符 |
| ^ | 匹配字符串开头，多行模式也匹配行结尾 |
| \A | 匹配字符串开头 |
| $ | 匹配字符串末尾，多行模式也匹配行结尾 |
| \Z | 匹配字符串末尾 |
| {n} | 精确n个，"o{2}"匹配food，不匹配fod、foood |
| {n,} | 至少n个，"o{2,}"匹配food,foood，不匹配fod |
| {n, m} | 匹配n到m，"o{2,3}"，匹配food,foood，不匹配fod、fooood |
| | | a|b，匹配a或b |
| - | -可以表示区间，[0-9]表示可以匹配0-9中的任意数字 |
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，因为?只是指前一个片段
+表示至少匹配一次：abb+可以匹配abb、abbb、abbbb等等，当时不能匹配ab
*表示0到多次： abb*可以匹配ab、abb、abbb、abbbb等等
[]中有一组字符，字符间的关系是或
| 表达式 | 说明 |
|---|---|
| \t | 制表符 |
| \n | 换行 |
| \r | 回车 |
| \f | 换页 |
| \w | 匹配数字、字母、下划线,等价于[a-zA-Z0-9_] |
| \W | 匹配非(数字、字母、下划线)，等价于[^a-zA-Z0-9_] |
| \s | 匹配空白字符，等价于[\t\n\r\f] |
| \S | 匹配非空字符，等价于[^\t\n\r\f] |
| \d | 匹配数字，等价于[0-9] |
| \D | 匹配非数字，等价于[^0-9] |
| \b | 匹配单词边界，'er\b' 可以匹配"over"中的'er'，但不能匹配"service"中的'er' |
| \B | 匹配非单词边界，'er\B'能匹配"service"中的'er'，但不能匹配"over"中的'er' |
| 表达式 | 说明 |
|---|---|
| (re) | 分组匹配，嵌套模式分组计数是从左到右，从外到里 |
| \number | 引用分组，使用\1、\2、\3……访问第1、2、3……分组 |
| (?P | 指定分组名称，使用name做为分组的别名 |
| (?P=name) | 引用分组名称，通过name应用分组 |
分组最重要的一个作用就是可以回溯，就是引用已经匹配的模式。
思考：html中如何匹配全部h标签？
reg = '<[hH][1-6]>.*?'
很多朋友可能会写出类似于上面的表达式，有什么问题吗？
看下面的例子：
import re content = '''first
p tag
h3
非法标签 ''' rs = re.findall(r'<[hH][1-6]>.*?', content) print(rs) rs = re.findall(r'<[hH]([1-6])>.*?', content) print(rs) rs = re.findall(r'((<[hH]([1-6])>).*?)', content) print(rs) rs = re.findall(r'((<[hH](?P
[1-6])>).*?)', content) print(rs)
看输出，我们知道：
reg = '<[hH][1-6]>.*?'
会把'
我们可以通过分组，然后引用分组来解决这个问题。
reg1 = '<[hH]([1-6])>.*?' reg2 = '((<[hH]([1-6])>).*?)'
因为如果有分组，findall之后打印出匹配分组，所以我们使用reg2这个正则表达式。
为什么是\3呢？
因为根据从左到右，从外到里的原则，我们知道([1-6])是第3个分组。
如果觉得不想去数，或者怕数错，那么就可以使用别名的方式。
reg = '((<[hH](?P[1-6])>).*?)'
| 表达式 | 说明 |
|---|---|
| (?=re) | 前向匹配，a(?=\d)，匹配数字前面的a |
| (?!re) | 前向反向匹配，a(?!\d)，匹配后面不接数字的a |
| (?<=re) | 向后匹配，(?<=\d)a，匹配前面是数字的a |
| (?< !re) | 向后反向匹配，(?< !\d)a，匹配前面不是数字的a |
前后匹配也是一个非要有用的功能，它的一个重要特性是不消费re部分，下面看一个例子帮助理解。
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，不消费: rs = re.findall(r'.+(?=:)', content) # ['http', 'https', 'ftp'] print(rs) # 向后匹配，匹配//后面的域名，不消费// rs = re.findall(r'(?<=//).+', content) # ['www.mycollege.vip', 'mail.mycollege.vip', 'ftp.mycollege.vip'] print(rs) # 向后匹配，匹配$后面的数字，不消费$ price = ''' item1:$99.9 CX99:$199 ZZ88:$999 ''' rs = re.findall(r'(?<=\$)[0-9.]+', price) # ['99.9', '199', '999'] print(rs) # 前后匹配 title = '''this is title ''' rs = re.findall(r'(?<=).*(?= )', title) # ['this is title'] print(rs)
| 表达式 | 说明 |
|---|---|
| (?:re) | (re)的不分组版本，(?:abc){2}，匹配abcabc |
| (?imsuxL:re) | 在括号中使用imsuxL对应flag中的大写，(?i:abc)，匹配ABC |
| (?-imsuxL:re) | 在括号中不使用imsuxL对应flag中的大写 |
| (?#...) | #后面的内容为注释忽略 |
| 模式 | 说明 |
|---|---|
| re.I | IGNORECASE，使匹配对大小写不敏感 |
| re.M | MULTILINE，多行匹配，影响^和$ |
| re.S | DOTALL，点任意匹配模式，使.匹配包括换行在内的所有字符 |
| re.X | VERBOSE，详细模式，忽略表达式中的空白和注释，并允许使用#添加注释 |
| re.L | LOCALE |
| re.U | UNICODE |
re.M是多行匹配模式：
^可以匹配字符串开头，也可以匹配行的开头，字符串中换行符\n之后的位置
$可以匹配字符串结尾，也可以匹配行的结尾，字符串中换行符\n之前的位置
单行模式:
^等价于\A
$等价于\Z
import re content = ''' first line second line third line ''' # ['first', 'second', 'third'] rs = re.findall(r'^(.*) line$', content, re.M) # [] # rs = re.findall(r'^(.*) line$', content) # [] # rs = re.findall(r'\A(.*) line\Z', content, re.M) print(rs)
上面的小例子多行模式可以匹配成功，单行模式不能，因为单行模式^不能匹配\n后的位置，所以开头就不匹配。
反过来，我们在决定是否使用re.M的时候，只需要考虑正则表达式中有没有^和$，如果没有肯定是不需要的，如果有，那么思考是否需要匹配\n(换行符)前后的位置，需要则加上re.M。
re.L和re.U比较不好理解，2.x和3.x的变化也很大，基本用不上，有兴趣可以看一下文档。
“Python正则表达式是什么，怎么用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！