有了准备知识,我们就可以在 Python 中使用正则表达式了。Python 提供re
模块,包含所有正则表达式的功能。
- re.compile(pattern, flags=0): 将字符串形式的正则表达式编译为 Pattern对象。有的时候进行复杂的匹配,可以通过先对模式进行编译来加快匹配速度
- re.finditer(string, pos, endpos): 从string任意位置开始匹配, 返回一个迭代器。 一般匹配findall就可以了, 大数量的匹配还是使用finditer比较好。
由于 Python 的字符串本身也用\
转义,所以要特别注意:
s = 'ABC\\-001' |
因此我们强烈建议使用 Python 的**r**
前缀,就不用考虑转义的问题了:
s = r'ABC\-001' |
首次匹配:match and search()
- re.match(string, pos, endpos): 从string的开头开始匹配。
- re.search(string, pos, endpos): 从string的任意位置开始匹配,默认返回第一次成功匹配(returns a special match object )
import re |
所有匹配
- re.findall(string, pos, endpos): 从string任意位置开始匹配, 返回一个列表。默认返回所有不重叠的匹配
因为findall
默认可以从任何位置开始匹配,因此在正则表达式中使用‘^’表示以任何位置开头是没有作用的,甚至会导致任何内容也匹配不到,关于这个的一个例子是关于markdown所有层级标题的提取,使用^#+ .*\n
在Vscode的搜索栏正则匹配是可以得到想要的结果的,但是却不能在findall
中匹配到对应的标题,因此应该将^
去掉,使用#+ .*\n
,这样就可以在findall
中匹配到对应的标题了。
import re |
分割替换
- re.split():根据pattern将source切分成若干段,返回由这些片段组成的列表
- re.sub():与split()相似,需要一个额外的参数replacement,将source中所有匹配的pattern改成replacement.
import re |
sub切分后的索引方式比较特殊:
用正则表达式切分字符串比用固定的字符更灵活,请看正常的切分代码:
>>> 'a b c'.split(' ') |
嗯,无法识别连续的空格,用正则表达式试试:
r'\s+', 'a b c') re.split( |
无论多少个空格都可以正常分割。加入,
试试:
r'[\s\,]+', 'a,b, c d') re.split( |
如果用户输入了一组标签,下次记得用正则表达式来把不规范的输入转化成正确的数组。
匹配输出,分组group()和groups()
除了简单地判断是否匹配之外,正则表达式还有提取子串的强大功能。用()
表示的就是要提取的分组(Group)。比如:
^(\d{3})-(\d{3,8})$
分别定义了两个组,可以直接从匹配的字符串中提取出区号和本地号码:
match(r'^(\d{3})-(\d{3,8})$', '010-12345') m = re. |
如果正则表达式中定义了组,就可以在Match
对象上用group()
方法提取出子串来。
注意到group(0)
永远是与整个正则表达式相匹配的字符串,group(1)
、group(2)
…… 表示第 1、2、…… 个子串。
提取子串非常有用。来看一个更凶残的例子:
>>> t = '19:05:30' |
这个正则表达式可以直接识别合法的时间。但是有些时候,用正则表达式也无法做到完全验证,比如识别日期:
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$' |
对于'2-30'
,'4-31'
这样的非法日期,用正则还是识别不了,或者说写出来非常困难,这时就需要程序配合识别了。
贪婪匹配
最后需要特别指出的是,正则匹配默认是贪婪匹配,也就是匹配尽可能多的字符。举例如下,匹配出数字后面的0
:
match(r'^(\d+)(0*)$', '102300').groups() re. |
由于\d+
采用贪婪匹配,直接把后面的0
全部匹配了,结果0*
只能匹配空字符串了。
必须让\d+
采用非贪婪匹配(也就是尽可能少匹配),才能把后面的0
匹配出来,加个?
就可以让\d+
采用非贪婪匹配:
match(r'^(\d+?)(0*)$', '102300').groups() re. |
编译
当我们在 Python 中使用正则表达式时,re 模块内部会干两件事情:
- 编译正则表达式,如果正则表达式的字符串本身不合法,会报错;
- 用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次,出于效率的考虑,我们可以预编译该正则表达式,接下来重复使用时就不需要编译这个步骤了,直接匹配:
import re |
编译后生成 Regular Expression 对象,由于该对象自己包含了正则表达式,所以调用对应的方法时不用给出正则字符串。