[Python知识库]正则表达式

正则表达式概述
1 re模块的使用过程
# 导入re模块
import re
# 使用match方法进行匹配操作
result = re.match(正则表达式,要匹配的字符串)
# 如果上一步匹配到数据的话，可以使用group方法来提取数据
result.group()
2 re模块示例(匹配以itcast开头的语句)

import re
result = re.match("itcast" ,"itcast.cn")
print(result.group())#itcast

3 说明
re.match() 能够匹配出以xxx开头的字符串匹配单个字符
在上一小节中，了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节，将要讲解正则表达式的单字符匹配

例1

import re
ret = re.match(".", "M")
print(ret.group())

ret = re.match("t.o", "too")
print(ret.group())

ret = re.match("t.o", "two")
print(ret.group())
#输出
# M
# too
# two

例2

import re

# 如果hello的首字符小写，那么正则表达式需要小写的h
ret = re.match("h", "hello Python")
print(ret.group())#h

# 如果hello的首字符大写，那么正则表达式需要大写的H
ret = re.match("H", "Hello Python")
print(ret.group())#H

# 大小写h都可以的情况
ret = re.match("[hH]", "hello Python")
print(ret.group())#h
ret = re.match("[hH]", "Hello Python")
print(ret.group())#H
ret = re.match("[hH]ello Python", "Hello Python")
print(ret.group())#Hello Python

# 匹配0到9第一种写法
ret = re.match("[0123456789]Hello Python", "7Hello Python")
print(ret.group())#7Hello Python

# 匹配0到9第二种写法
ret = re.match("[0-9]Hello Python", "7Hello Python")
print(ret.group())#7Hello Python

ret = re.match("[0-35-9]Hello Python", "7Hello Python")
print(ret.group())#7Hello Python

# 下面这个正则不能够匹配到数字4，因此ret为None
ret = re.match("[0-35-9]Hello Python", "4Hello Python")
print(ret)#None

例3：

import re

# 普通的匹配方式
ret = re.match("嫦娥1号", "嫦娥1号发射成功")
print(ret.group())#嫦娥1号

ret = re.match("嫦娥2号", "嫦娥2号发射成功")
print(ret.group())#嫦娥2号

ret = re.match("嫦娥3号", "嫦娥3号发射成功")
print(ret.group())#嫦娥3号

# 使用\d进行匹配
ret = re.match("嫦娥\d号", "嫦娥1号发射成功")
print(ret.group())#嫦娥1号

ret = re.match("嫦娥\d号", "嫦娥2号发射成功")
print(ret.group())#嫦娥2号

ret = re.match("嫦娥\d号", "嫦娥3号发射成功")
print(ret.group())#嫦娥3号

匹配多个字符
匹配多个字符的相关格式：

例1：

import re
ret = re.match("[A-Z][a-z]*", "M")
print(ret.group())#M

ret = re.match("[A-Z][a-z]*", "MnnM")
print(ret.group())#Mnn

ret = re.match("[A-Z][a-z]*", "Aabcdef")
print(ret.group())#Aabcdef

例2：

import re
names = ["name1", "_name", "2_name", "__name__"]
for name in names:
    ret = re.match("[a-zA-Z_]+[\w]*", name)
    if ret:
        print("变量名 %s 符合要求" % ret.group())
    else:
        print("变量名 %s 非法" % name)
#输出：
#变量名 name1 符合要求
# 变量名 _name 符合要求
# 变量名 2_name 非法
# 变量名 __name__ 符合要求

例3：

import re

ret = re.match("[1-9]?[0-9]", "7")
print(ret.group())#7

ret = re.match("[1-9]?\d", "33")
print(ret.group())#33

ret = re.match("[1-9]?\d", "09")
print(ret.group())#0# 这个结果并不是想要的，利用$才能解决

例4：

import re
ret = re.match("[a-zA-Z0-9_]{6}", "12a3g45678")
print(ret.group())#12a3g4

ret = re.match("[a-zA-Z0-9_]{8,20}", "1ad12f23s34455ff66")
print(ret.group())#1ad12f23s34455ff66

练一练
题目1：匹配出163的邮箱地址，且@符号之前有4到20位，例如hello@163.com
匹配开头结尾

例1

import re

email_list = ["xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]

for email in email_list:
    ret = re.match("[\w]{4,20}@163\.com", email)
    if ret:
        print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
    else:
        print("%s 不符合要求" % email)
# 输出
# xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
# xiaoWang@163.comheihei 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
# .com.xiaowang@qq.com 不符合要求

完善后：

import re
email_list = ["xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]

for email in email_list:
    ret = re.match("[\w]{4,20}@163\.com$", email)
    if ret:
        print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
    else:
        print("%s 不符合要求" % email)
# 输出
# xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
# xiaoWang@163.comheihei 不符合要求
# .com.xiaowang@qq.com 不符合要求

匹配分组：

例1：

import re
ret = re.match("[1-9]?\d", "8")
print(ret.group())  # 8

ret = re.match("[1-9]?\d", "78")
print(ret.group())  # 78

# 不正确的情况
ret = re.match("[1-9]?\d", "08")
print(ret.group())  # 0

# 修正之后的
ret = re.match("[1-9]?\d$", "08")
if ret:
    print(ret.group())
else:
    print("不在0-100之间")#不在0-100之间

# 添加|
ret = re.match("[1-9]?\d$|100", "8")
print(ret.group())  # 8

ret = re.match("[1-9]?\d$|100", "78")
print(ret.group())  # 78

ret = re.match("[1-9]?\d$|100", "08")
print(ret)  # None

ret = re.match("[1-9]?\d$|100", "100")
print(ret.group())  # 100

例2：

import re

ret = re.match("\w{4,20}@163\.com", "test@163.com")
print(ret.group())  # test@163.com

ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com")
print(ret.group())  # test@126.com

ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com")
print(ret.group())  # test@qq.com

ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")
if ret:
    print(ret.group())
else:
    print("不是163、126、qq邮箱")  # 不是163、126、qq邮箱

不是以4、7结尾的手机号码(11位)

import re

tels = ["13100001234", "18912344321", "10086", "18800007777"]

for tel in tels:
    ret = re.match("1\d{9}[0-35-68-9]", tel)
    if ret:
        print(ret.group())
    else:
        print("%s 不是想要的手机号" % tel)
#输出
# 13100001234 不是想要的手机号
# 18912344321
# 10086 不是想要的手机号
# 18800007777 不是想要的手机号

提取区号和电话号码：

import re
ret = re.match("([^-]*)-(\d+)","010-12345678")
print(ret.group())
#010-12345678
print(ret.group(1))
#010
print(ret.group(2))
#12345678

例3 匹配出<html>hh</html>

import re

# 能够完成对正确的字符串的匹配
ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</html>")
print(ret.group())#<html>hh</html>

# 如果遇到非正常的html格式字符串，匹配出错
ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</htmlbalabala>")
print(ret.group())#<html>hh</htmlbalabala>

# 正确的理解思路：如果在第一对<>中是什么，按理说在后面的那对<>中就应该是什么

# 通过引用分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>")
print(ret.group())#<html>hh</html>

# 因为2对<>中的数据不一致，所以没有匹配出来
test_label = "<html>hh</htmlbalabala>"
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", test_label)
if ret:
    print(ret.group())
else:
    print("%s 这是一对不正确的标签" % test_label)#<html>hh</htmlbalabala> 这是一对不正确的标签

例4：\number
匹配出<html><h1>www.itcast.cn</h1></html>

import re
labels = ["<html><h1>www.itcast.cn</h1></html>", "<html><h1>www.itcast.cn</h2></html>"]
for label in labels:
    ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", label)
    if ret:
        print("%s 是符合要求的标签" % ret.group())
    else:
        print("%s 不符合要求" % label)
#输出
# <html><h1>www.itcast.cn</h1></html> 是符合要求的标签
# <html><h1>www.itcast.cn</h2></html> 不符合要求

例5(?P<name>) (?P=name)
匹配出`

www.itcast.cn

`
注意：(?P)和(?P=name)中的字母p大写

import re

ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>")
print(ret.group())#<html><h1>www.itcast.cn</h1></html>

ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h2></html>")
print(ret)
#输出
# <html><h1>www.itcast.cn</h1></html>
# None

re模块的高级用法
search
需求：匹配出文章阅读的次数

import re

ret = re.search(r"\d+", "阅读次数为 9999")
print(ret.group())#9999

findall
需求：统计出python、c、c++相应文章阅读的次数

# coding=utf-8
import re
ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
print(ret)#['9999', '7890', '12345']

sub 将匹配到的数据进行替换
需求：将匹配到的阅读次数加1

方法1：

# coding=utf-8
import re

ret = re.sub(r"\d+", '998', "python = 997")
print(ret)#python = 998

方法2：

# coding=utf-8
import re

def add(temp):
    strNum = temp.group()
    num = int(strNum) + 1
    return str(num)
ret = re.sub(r"\d+", add, "python = 997")
print(ret)#python = 998
ret = re.sub(r"\d+", add, "python = 99")
print(ret)#python = 100

split 根据匹配进行切割字符串，并返回一个列表
需求：切割字符串“info:xiaoZhang 33 shandong”

# coding=utf-8
import re

ret = re.split(r":| ", "info:xiaoZhang 33 shandong")
print(ret)#['info', 'xiaoZhang', '33', 'shandong']

python贪婪和非贪婪
Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；

非贪婪则相反，总是尝试匹配尽可能少的字符。

在"*“,”?“,”+“,”{m,n}"后面加上？，使贪婪变成非贪婪

# coding=utf-8
import re

s="This is a number 234-235-22-423"
r=re.match(".+(\d+-\d+-\d+-\d+)",s)
print(r.group(1))
#4-235-22-423
r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
print(r.group(1))
#234-235-22-423

正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，“.+”会从字符串的启始处抓取满足模式的最长字符，其中包括我们想得到的第一个整型字段的中的大部分，“\d+”只需一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。

解决方式：非贪婪操作符“？”，这个操作符可以用在"*“,”+“,”?"的后面，要求正则匹配的越少越好

# coding=utf-8
import re

print(re.match(r"aa(\d+)","aa2343ddd").group(1))
#'2343'
print(re.match(r"aa(\d+?)","aa2343ddd").group(1))
#2
print(re.match(r"aa(\d+)ddd","aa2343ddd").group(1))
#2343
print(re.match(r"aa(\d+?)ddd","aa2343ddd").group(1))
#2343

r的作用：
Python中字符串前面加上 r 表示原生字符串，

与大多数编程语言相同，正则表达式里使用""作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"“，那么使用编程语言表示的正则表达式里将需要4个反斜杠”\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。

Python里的原生字符串很好地解决了这个问题，有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观

# coding=utf-8
import re
mm = "c:\\a\\b\\c"
ret = re.match(r"c:\\a",mm).group()
print(ret)
#c:\a

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖