正则表达式

⭐清晰易懂版

单字符匹配

匹配多个字符的相关格式

概念

正则表达式 (regular expression) 描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等

符号

普通字符

普通字符包括没有显式指定为元字符的所有可打印和不可打印字符。这包括所有大写和小写字母、所有数字、所有标点符号和一些其他符号

字符	描述
[ABC]	匹配 […] 中的所有字符，例如 [aeiou] 匹配字符串 “google runoob taobao” 中所有的 e o u a 字母。
[^ABC]	匹配除了 […] 中字符的所有字符，例如 [^aeiou] 匹配字符串 “google runoob taobao” 中除了 e o u a 字母的所有字母
[A-Z]	[A-Z] 表示一个区间，匹配所有大写字母，[a-z] 表示所有小写字母
.	匹配除换行符（\n、\r）之外的任何单个字符，相等于 [^\n\r]
[\s\S]	匹配所有。\s 是匹配所有空白符，包括换行，\S 非空白符，包括换行。
\w	匹配字母、数字、下划线。等价于 [A-Za-z0-9_]

非打印字符

特殊字符

许多元字符要求在试图匹配它们时特别对待。若要匹配这些特殊字符，必须首先使字符 " 转义 “，即，将反斜杠字符**\** 放在它们前面

限定符

限定符用来指定正则表达式的一个给定组件必须要出现多少次才能满足匹配。有 ***** 或 + 或 ? 或 {n} 或 {n,} 或 {n,m} 共 6 种

定位符

定位符用来描述字符串或单词的边界，^ 和 $ 分别指字符串的开始与结束，\b 描述单词的前或后边界，\B 表示非单词边界

注意

1. 不能将限定符与定位符一起使用。由于在紧靠换行或者单词边界的前面或后面不能有一个以上位置，因此不允许诸如 ^* 之类的表达式。
2. 若要匹配一行文本开始处的文本，请在正则表达式的开始使用 ^ 字符。不要将 ^ 的这种用法与中括号表达式内的用法混淆。
3. 若要匹配一行文本的结束处的文本，请在正则表达式的结束处使用 $ 字符。
4. \b 字符的位置是非常重要的。如果它位于要匹配的字符串的开始，它在单词的开始处查找匹配项。如果它位于字符串的结尾，它在单词的结尾处查找匹配项
5. 对于 \B 非单词边界运算符，位置并不重要，因为匹配不关心究竟是单词的开头还是结尾

选择

用圆括号 () 将所有选择项括起来，相邻的选择项之间用 | 分隔。

() 表示捕获分组，() 会把每个分组里的匹配的值保存起来， 多个匹配值可以通过数字 n 来查看 (n 是一个数字，表示第 n 个捕获组的内容)

re 常用方法

match()

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

match() 尝试从字符串的起始位置匹配正则表达式，若匹配，就返回匹配成功的结果；若不匹配，返回 None

1
2
3
4
5
6
7

import re
content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
result = re.match("^Hello\s\d\d\d\s\d{4}\s\w{10}", content)
print(result)
print(result.group())
print(result.span())

输出

1
2
3
4

41
<_sre.SRE_Match object; span=(0, 25), match='Hello 123 4567 World_This'>
Hello 123 4567 World_This
(0, 25)

步骤

1. 在 match() 方法中，第一个参数传入了正则表达式，第二个参数传入了要匹配的字符串

2. group() 方法可以输出匹配到的内容，结果是 Hello 123 4567 World_This

   span() 方法可以输出匹配的范围，结果是 (0, 25)

也可这样写

1

result = re.match('^Hello.*Demo$', content)

group()

使用 () 括号将想提取的子字符串括起来

1
2
3
4
5
6
7

import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello\s(\d+)\sWorld', content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())

输出

1
2
3
4

<_sre.SRE_Match object; span=(0, 19), match='Hello 1234567 World'>
Hello 1234567 World
1234567
(0, 19)

若想把字符串中的 1234567 提取出来，此时可以将数字部分的正则表达式用 () 括起来，然后调用了 group(1) 获取匹配结果

也可这样写

1

result = re.match('^He.*?(\d+).*Demo$', content)

匹配对象的方法

• start([group])
  • 获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引）
• end([group])
  • 获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引 +1）
• group()
  • group() 同 group(0) 返回匹配正则表达式整体结果（字符串）
  • group(n) 列出第 n 个括号匹配部分
• span([group])
  • 返回 (start(group), end(group))

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

>>> import re
>>> pattern = re.compile(r'\d+')   
m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
>>> print m                                         # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0)   # 可省略 0
'12'
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)

修饰符

遇到换行符时，使用修饰符 re.S 进行匹配，即可用“.”匹配换行符

1

result = re.match('^He.*?(\d+).*?Demo$', content, re.S)

其他常用修饰符

search()

match() 方法是从字符串的开头开始匹配的，一旦开头不匹配，那么整个匹配就失败了

search()，它在匹配时会扫描整个字符串，然后返回第一个成功匹配的结果，搜索完了还没有找到，就返回 None

为了匹配方便，尽量使用 search() 方法

findall()

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。

注意**：** match 和 search 是匹配一次；findall 匹配所有。

sub()

替换指定文本

如要将文本中的数字去掉

1
2
3
4

import re
content = '54aK54yr5oiR54ix5L2g'
content = re.sub('\d+', '', content)
print(content)

输出

1

aKyroiRixLg

只需要给第一个参数传入 \d+ 来匹配所有的数字，第二个参数为替换成的字符串（如果去掉该参数的话，可以赋值为空），第三个参数是原字符串

compile()

编译正则表达式，生成一个正则表达式 (Pattern) 对象，供 match() 和 search() 使用

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import re
content1 = '2016-12-15 12:00'
content2 = '2016-12-17 12:55'
content3 = '2016-12-22 13:21'
pattern = re.compile('\d{2}:\d{2}')
result1 = re.sub(pattern, '', content1)
result2 = re.sub(pattern, '', content2)
result3 = re.sub(pattern, '', content3)
# or
result3 = pattern.sub('',content3)
print(result1, result2, result3)

输出

1

2016-12-15  2016-12-17  2016-12-22

例如，这里有 3 个日期，我们想分别将 3 个日期中的时间去掉，这时可以借助 sub() 方法。该方法的第一个参数是正则表达式，但是这里没有必要重复写 3 个同样的正则表达式，此时可以借助 compile() 方法将正则表达式编译成一个正则表达式对象，以便复用

split()

escape()

常用模板