淺談python中的Regex（re模組），pythonRegex

淺談python中的Regex（re模組），pythonRegex

一、簡介

Regex本身是一種小型的、高度專業化的程式設計語言，而在python中，通過內嵌整合re模組，程式媛們可以直接調用來實現正則匹配。Regex模式被編譯成一系列的位元組碼，然後由用C編寫的匹配引擎執行。

二、Regex中常用的字元含義

1、一般字元和11個元字元：

一般字元	匹配自身	abc	abc
.	匹配任意除分行符號"\n"外的字元(在DOTALL模式中也能匹配分行符號	a.c	abc
\	逸出字元，使後一個字元改變原來的意思	a\.c;a\\c	a.c;a\c
*	匹配前一個字元0或多次	abc*	ab;abccc
+	匹配前一個字元1次或無限次	abc+	abc;abccc
?	匹配一個字元0次或1次	abc?	ab;abc
^	匹配字串開頭。在多行模式中匹配每一行的開頭	^abc	abc
$	匹配字串末尾，在多行模式中匹配每一行的末尾	abc$	abc
|	或。匹配|左右運算式任意一個，從左至右匹配，如果|沒有包括在()中，則它的範圍是整個Regex	abc|def	abc def
{}	{m}匹配前一個字元m次，{m,n}匹配前一個字元m至n次，若省略n，則匹配m至無限次	ab{1,2}c	abc abbc
[]	字元集。對應的位置可以是字元集中任一字元。字元集中的字元可以逐個列出，也可以給出範圍，如[abc]或[a-c]。[^abc]表示取反，即非abc。 所有特殊字元在字元集中都失去其原有的特殊含義。用\反斜線轉義恢複特殊字元的特殊含義。	a[bcd]e	abe ace ade
()	被括起來的運算式將作為分組，從運算式左邊開始沒遇到一個分組的左括弧“（”，編號+1. 分組運算式作為一個整體，可以後接數量詞。運算式中的|僅在該組中有效。	(abc){2} a(123|456)c	abcabc a456c

這裡需要強調一下反斜線\的作用：

• 反斜線後邊跟元字元去除特殊功能；（即將特殊字元轉義成一般字元）
• 反斜線後邊跟一般字元實現特殊功能；（即預定義字元）
• 引用序號對應的字組所匹配的字串。

a=re.search(r'(tina)(fei)haha\2','tinafeihahafei tinafeihahatina').group()print(a)

結果：

tinafeihahafei

2、預定義字元集（可以寫在字元集[...]中）

\d	數字:[0-9]	a\bc	a1c
\D	非數字:[^\d]	a\Dc	abc
\s	匹配任何空白字元:[<空格>\t\r\n\f\v]	a\sc	a c
\S	非空白字元:[^\s]	a\Sc	abc
\w	匹配包括底線在內的任何字字元:[A-Za-z0-9_]	a\wc	abc
\W	匹配非字母字元，即匹配特殊字元	a\Wc	a c
\A	僅匹配字串開頭,同^	\Aabc	abc
\Z	僅匹配字串結尾，同$	abc\Z	abc
\b	匹配\w和\W之間，即匹配單詞邊界匹配一個單詞邊界，也就是指單詞和空格間的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。	\babc\b a\b!bc	空格abc空格 a!bc
\B	[^\b]	a\Bbc	abc

這裡需要強調一下\b的單詞邊界的理解：

w = re.findall('\btina','tian tinaaaa')print(w)s = re.findall(r'\btina','tian tinaaaa')print(s)v = re.findall(r'\btina','tian#tinaaaa')print(v)a = re.findall(r'\btina\b','tian#tina@aaa')print(a)

執行結果如下：
[]
['tina']
['tina']
['tina']

3、特殊分組用法：

(?P<name>)	分組，除了原有的編號外再指定一個額外的別名	(?P<id>abc){2}	abcabc
(?P=name)	引用別名為<name>的分組匹配到字串	(?P<id>\d)abc(?P=id)	1abc1 5abc5
\<number>	引用編號為<number>的分組匹配到字串	(\d)abc\1	1abc1 5abc5

三、re模組中常用功能函數

1、compile()

編譯Regex模式，返回一個對象的模式。（可以把那些常用的Regex編譯成Regex對象，這樣可以提高一點效率。）

格式：

re.compile(pattern,flags=0)

pattern: 編譯時間用的運算式字串。

flags 編譯標誌位，用於修改Regex的匹配方式，如：是否區分大小寫，多行匹配等。常用的flags有：

標誌	含義
re.S(DOTALL)	使.匹配包括換行在內的所有字元
re.I（IGNORECASE）	使匹配對大小寫不敏感
re.L（LOCALE）	做本地化識別（locale-aware)匹配，法語等
re.M(MULTILINE)	多行匹配，影響^和$
re.X(VERBOSE)	該標誌通過給予更靈活的格式以便將Regex寫得更易於理解
re.U	根據Unicode字元集解析字元，這個標誌影響\w,\W,\b,\B

import rett = "Tina is a good girl, she is cool, clever, and so on..."rr = re.compile(r'\w*oo\w*')print(rr.findall(tt)) #尋找所有包含'oo'的單詞

執行結果如下：
['good', 'cool']

2、match()

決定RE是否在字串剛開始的位置匹配。//註：這個方法並不是完全符合。當pattern結束時若string還有剩餘字元，仍然視為成功。想要完全符合，可以在運算式末尾加上邊界匹配符'$'

格式：

re.match(pattern, string, flags=0)

print(re.match('com','comwww.runcomoob').group())print(re.match('com','Comwww.runcomoob',re.I).group())

執行結果如下：
com
com

3、search()

 格式：

re.search(pattern, string, flags=0)

re.search函數會在字串內尋找模式比對,只要找到第一個匹配然後返回，如果字串沒有匹配，則返回None。

print(re.search('\dcom','www.4comrunoob.5com').group())

執行結果如下：
4com

*註：match和search一旦匹配成功，就是一個match object對象，而match object對象有以下方法：

• group() 返回被 RE 匹配的字串
• start() 返回匹配開始的位置
• end() 返回匹配結束的位置
• span() 返回一個元組包含匹配 (開始,結束) 的位置
• group() 返回re整體匹配的字串，可以一次輸入多個組號，對應組號匹配的字串。

a. group（）返回re整體匹配的字串，

b. group (n,m) 返回組號為n，m所匹配的字串，如果組號不存在，則返回indexError異常

c.groups（）groups() 方法返回一個包含Regex中所有小組字串的元組，從 1 到所含的小組號，通常groups()不需要參數，返回一個元組，元組中的元就是Regex中定義的組。

import rea = "123abc456" print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0)) #123abc456,返回整體 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1)) #123 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2)) #abc print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3)) #456###group(1) 列出第一個括弧匹配部分，group(2) 列出第二個括弧匹配部分，group(3) 列出第三個括弧匹配部分。###

4、findall()

re.findall遍曆匹配，可以擷取字串中所有匹配的字串，返回一個列表。

 格式：

re.findall(pattern, string, flags=0)

p = re.compile(r'\d+')print(p.findall('o1n2m3k4'))

執行結果如下：
['1', '2', '3', '4']

import rett = "Tina is a good girl, she is cool, clever, and so on..."rr = re.compile(r'\w*oo\w*')print(rr.findall(tt))print(re.findall(r'(\w)*oo(\w)',tt))#()表示子運算式 

執行結果如下：
['good', 'cool']
[('g', 'd'), ('c', 'l')]

5、finditer()

 搜尋string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。找到 RE 匹配的所有子串，並把它們作為一個迭代器返回。

格式：

re.finditer(pattern, string, flags=0)

iter = re.finditer(r'\d+','12 drumm44ers drumming, 11 ... 10 ...')for i in iter: print(i) print(i.group()) print(i.span())

執行結果如下：
<_sre.SRE_Match object; span=(0, 2), match='12'>
12
(0, 2)
<_sre.SRE_Match object; span=(8, 10), match='44'>
44
(8, 10)
<_sre.SRE_Match object; span=(24, 26), match='11'>
11
(24, 26)
<_sre.SRE_Match object; span=(31, 33), match='10'>
10
(31, 33)

6、split()

按照能夠匹配的子串將string分割後返回列表。

可以使用re.split來分割字串，如：re.split(r'\s+', text)；將字串按空格分割成一個單字清單。

格式：

re.split(pattern, string[, maxsplit])

maxsplit用於指定最大分割次數，不指定將全部分割。

print(re.split('\d+','one1two2three3four4five5'))

執行結果如下：
['one', 'two', 'three', 'four', 'five', '']

7、sub()

使用re替換string中每一個匹配的子串後返回替換後的字串。

格式：

re.sub(pattern, repl, string, count)

import retext = "JGood is a handsome boy, he is cool, clever, and so on..."print(re.sub(r'\s+', '-', text))

執行結果如下：
JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...

其中第二個函數是替換後的字串；本例中為'-'

第四個參數指替換個數。預設為0，表示每個匹配項都替換。

re.sub還允許使用函數對匹配項的替換進行複雜的處理。

如：re.sub(r'\s', lambda m: '[' + m.group(0) + ']', text, 0)；將字串中的空格' '替換為'[ ]'。

import retext = "JGood is a handsome boy, he is cool, clever, and so on..."print(re.sub(r'\s+', lambda m:'['+m.group(0)+']', text,0))

執行結果如下：
JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...

8、subn()

 返回替換次數

格式：

subn(pattern, repl, string, count=0, flags=0)

print(re.subn('[1-2]','A','123456abcdef'))print(re.sub("g.t","have",'I get A, I got B ,I gut C'))print(re.subn("g.t","have",'I get A, I got B ,I gut C'))

執行結果如下：
('AA3456abcdef', 2)
I have A,  I have B ,I have C
('I have A,  I have B ,I have C', 3)

四、一些注意點

1、re.match與re.search與re.findall的區別：

re.match只匹配字串的開始，如果字串開始不符合Regex，則匹配失敗，函數返回None；而re.search匹配整個字串，直到找到一個匹配。

a=re.search('[\d]',"abc33").group()print(a)p=re.match('[\d]',"abc33")print(p)b=re.findall('[\d]',"abc33")print(b)

執行結果：
3
None
['3', '3']

2、貪婪匹配與非貪婪匹配

*?,+?,??,{m,n}?    前面的*,+,?等都是貪婪匹配，也就是儘可能匹配，後面加?號使其變成惰性匹配

a = re.findall(r"a(\d+?)",'a23b')print(a)b = re.findall(r"a(\d+)",'a23b')print(b)

執行結果：
['2']
['23']

a = re.match('<(.*)>','<H1>title<H1>').group()print(a)b = re.match('<(.*?)>','<H1>title<H1>').group()print(b)

執行結果：
<H1>title<H1>
<H1>

a = re.findall(r"a(\d+)b",'a3333b')print(a)b = re.findall(r"a(\d+?)b",'a3333b')print(b)

執行結果如下：
['3333']
['3333']
#######################

這裡需要注意的是如果前後均有限定條件的時候，就不存在什麼貪婪模式了，非匹配模式失效。

 3、用flags時遇到的小坑

print(re.split('a','1A1a2A3',re.I))#輸出結果並未能區分大小寫

這是因為re.split(pattern，string，maxsplit,flags)預設是四個參數，當我們傳入的三個參數的時候，系統會預設re.I是第三個參數，所以就沒起作用。如果想讓這裡的re.I起作用，寫成flags=re.I即可。

五、正則的小實踐

1、匹配電話號碼

p = re.compile(r'\d{3}-\d{6}')print(p.findall('010-628888'))

2、匹配IP

re.search(r"(([01]?\d?\d|2[0-4]\d|25[0-5])\.){3}([01]?\d?\d|2[0-4]\d|25[0-5]\.)","192.168.1.1")

以上就是本文的全部內容，希望對大家的學習有所協助，也希望大家多多支援幫客之家。