Day16正则表达式

林清猫耳

发布于 2018-04-26 07:35:16

56700

代码可运行

运行总次数：0

代码可运行

正则表达式（Regular Expression）的主要功能是从字符串（string）中通过特定的模式，搜索希望找到的内容。比如想找到小说中的所有人名，找到字符串中包含的数字。这种格式化的搜索可以写成正则表达式。Python中可以使用包re来处理正则表达式。

#  正则表达式用某些符号代表单个字符:
.            # 任意的一个字符
a|b          # 字符 a 或字符 b
[afg]        # a 或者 f 或者 g 的一个字符
[0-4]        # 0-4 范围内的一个字符
[a-f]        # a-f 范围内的一个字符
[^m]         # 不是m的一个字符
\s           # 一个空格
\S           # 一个非空格
\d           # 一个数字，相当于[0-9]
\D           # 一个非数字， 相当于[^0-9]
\w           # 数字或字母，相当于[0-9a-zA-Z]
\W           # 非数字非字母，相当于[^0-9a-zA-Z]

正则表达式还可以用某些符号来表示某种形式的重复，这些符号紧跟在单个字符之后，就表示多个这样类似的字符：

*            # 重复超过0次或更多次
+            # 重复1次或超过1次
?            # 重复0次或1次
{m}          # 重复m次。比如，a{4}相当于aaaa，再比如，[1-3]{2}相当于[1-3][1-3]
{m,n}        # 重复m到n次。比如说a{2，5}表示a重复2到5次。
             # 小于m次的重复，或者大于n次的重复都不符合条件

还有位置相关的符号:

^            # 字符串的起始位置
$            # 字符串的结尾位置

进一步提取

content = 'abcd_output_1994_abcd_1912_abcd'

正则表达式: 'output_\d{4}' 可以找到 'output_1994'。但如果想进一步提取出1994本身，则可以在正则表达式上给目标加上括号： output_(\d{4}) 用括号()圈起来的正则表达式的一部分，称为群（group）。一个正则表达式中可以有多个群。我们可以用group（number）的办法来查询群。需要注意的是，group（0）是整个正则表达的搜索结果。group（1）是第一个群，以此类推。还可以用 (?P<name>...) 为group命名

re模块

Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：

s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# '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' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'

re.search(pattern, string)    # 搜索整个字符串，直到发现符合的子字符串
re.match(pattern, string)     # 从头开始检查字符串是否符合正则表达式。
                              # 必须从字符串的第一个字符开始就相符

切分字符串

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(' ')
['a', 'b', '', '', 'c']

嗯，无法识别连续的空格，用正则表达式试试：

>>> re.split(r'\s+', 'a b   c')
['a', 'b', 'c']

无论多少个空格都可以正常分割。加入,试试：

>>> re.split(r'[\s\,]+', 'a,b, c  d')
['a', 'b', 'c', 'd']

再加入;试试：

>>> re.split(r'[\s\,\;]+', 'a,b;; c  d')
['a', 'b', 'c', 'd']

贪婪匹配

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：

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')

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：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

groups是所有的组,没括号没分组

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:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')