真锋
永远保持一颗学习和专注的心
嵌入式视觉笔记

Python3 正则表达式

字符串是编程时涉及到的最多的一种数据结构,对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的 Email 地址,虽然可以编程提取 @ 前后的子串,再分别判断是否是单词和域名,但这样做不但麻烦,而且代码难以复用。正则表达式(简称为 regex)是一些由字符和特殊符号组成的字符串,描述了模式的重复或者表述多个字符,因此正则表达式能按照某种模式匹配一系列有相似特征的字符串,其也为高级的文本模式匹配、提取、与/或文本形式的搜索和替换功能提供了基础。这篇文章是刚学 Python 时阅读廖雪峰的书籍写的学习笔记,大部分内容都来自书中内容,当时自己只是做了些编辑和总结内容。

正则表达式基础 

        正则表达式是用来匹配字符串的强有力武器,它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,我们就认为它“匹配”了,否则,该字符串就是不合法的。

       举例来讲,判断一个字符串是合法 Email 地址的方法如下:

  • 创建一个匹配 Email 的正则表达式;
  • 用该正则表达式去匹配用户的输入,判断是否合法。

       正则表达式也是用字符串来表示的,所以我们需要了解如何用字符表示字符。在正则表达式中,如果直接给出字符,则就是精确匹配。

     1, \d 可以匹配一个数字 [0-9],用 \w 可以匹配一个字母或数字 [A-Z,a-z,0-9]。,所以:

  • '00\d' 可以匹配 ‘007’,但是不能匹配 ’00A’
  • '\d\d\d' 可以匹配 ‘223’,但是不能匹配 ‘SSA’
  • '\w\w\d' 可以匹配 ‘AD4’

     2,. 可以匹配任意字符(换行符\n除外),所以:

  • 'num.' 可以匹配 ‘num1’,’num3’,’nums’ 等字符串。

     3,要匹配变长的字符,在正则表达式中,* 匹配前一个字符 0 次或无限次,+ 匹配前一个字符 1 次或无限次,匹配前一个字符 0 次或一次,{m} 匹配前一个字符 m 次,{m,n}匹配前一个字符 m 至 n 次:

     看一个复杂的正则表达式例子: \d{3}\s+\d{3,8}

  • \d{3} 表示匹配 3 个数字,例如’010’;
  • \s 可以匹配一个空格(也包括 Tab 等空白符),所以 \s+ 表示至少有一个空格,例如匹配 ' ', ' ' 等;
  • \d{3,8} 表示 3-8 个数字,例如 ‘1234567’。

       综合起来,上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。如果要匹配 ‘010-12345′ 这样的号码呢?由于’-‘是特殊字符,在正则表达式中,要用’\’转义,所以,上面的正则是 \d{3}\-\d{3,8}。

语法进阶

       要做更精确地匹配,可以用 [] 表示范围,比如:

  • [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线;
  • [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串,比如 ‘a100’, ‘0_Z’, ‘Py3000’ 等等;
  • [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是 Python 合法的变量;
  • [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是 1-20个字符(前面 1 个字符+后面最多 19 个字符)。

        A|B 可以匹配 A 或 B,所以 [P|p]ython 可以匹配 ‘Python’ 或者 ‘python’ 。I代表左右表达式任意匹配一个,它总是先尝试匹配左边的表达式,一旦成功匹配匹配则跳过匹配右边的表达式。如果|没有被包括在()中,则它的范围是整个正则表达式。

  • ^表示行的开头,^\d 表示必须以数字开头。
  • $表示行的结束,\d$ 表示必须以数字结束。

        你可能注意到了, py 也可以匹配 ‘python’,但是加上^py$就变成了整行匹配,就只能匹配 ‘py’ 了。

正则表达式语法总结

下图列出了 Python 支持的正则表达式元字符和语法(图来自 CSDN 博客)。

正则表达式的语法规则

Python的re 模块

       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。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\
Out [4] : 
re. match( 
< sre. SRE Match 
re. match( 
object, 
span— 
032-89123' 
9), mat*' 032-89123' > 
032 89123' 
In

       match() 方法判断是否匹配,如果匹配成功,返回一个 Match 对象,否则返回 None。常见的判断方法如下。

test ' 
if re. match (r' , 
print (' ok' ) 
else: 
print (' failed' ) 
test) :

切分字符串

       使用正则表达式切分字符串比用固定的字符更灵活,这里要用到 python 的 split() 函数:通过指定分隔符对字符串进行切片,如果参数 num 有指定值,则仅分隔 num 个子字符串。两种代码对比实例如下:

计算机生成了可选文字:
In[10]:
t[10]:
In[12]:
t[12]:
#正有必
,a匕c'
.split(
d

分组

        除了简单的判断是否匹配外,正则表达式还有提取字串的强大功能。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本地号码,程序实例 1:

4 
import 
m = re. match 
print m 
, m. group

       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) 永远是原始字符串, group(1)、 group(2)……表示第 1、2、 ……个子串。

       程序实例 2,正则表达式识别合法时间:

# 分组案例2,识别合法时间
t = '23:11:57'
m =re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
print(m.groups())
print(m.group(0), m.group(1))
#### 程序输出结果 ####
# ('23', '11', '57')
# 23:11:57 23

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

' 102300' 
out [37] : 
ln [38] : 
out : 
re. match ( 
102300' , 
re. match ( 
1023' , 
. groups O 
102300' 
) . groups ( )

        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。

findall

findall 方法可以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 方法是匹配一次, findall 匹配所有。语法格式为:

re.findall(pattern, string, flags=0)
或
pattern.findall(string[, pos[, endpos]])

参数:

  • pattern:匹配模式。
  • string:待匹配的字符串。
  • pos:可选参数,指定字符串的起始位置,默认为 0。
  • endpos:可选参数,指定字符串的结束位置,默认为字符串的长度。

查找字符串中的所有数字的实例代码如下:

import re
 
result1 = re.findall(r'\d+','runoob 123 google 456')
 
pattern = re.compile(r'\d+')   # 查找数字
result2 = pattern.findall('runoob 123 google 456')
result3 = pattern.findall('run88oob123google456', 0, 10)
 
print(result1)
print(result2)
print(result3)

程序输出结果:

[‘123’, ‘456’]
[‘123’, ‘456’]
[’88’, ’12’]

compile 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。

compile 函数用于编译正则表达式,生成一个正则表达式( Pattern )对象,供 match()、 search() 和 findall() 等这函数使用。代码实例如下:

file_name = '45-depth.png'  # 字符串定义
pattern = re.compile(r'\d+\.?\d*')# 预编译
pattern.findall(file_name)  # 使用-搜索string,以列表形式返回全部能匹配的子串
### 输出 ###
# ['45']

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。

pr int 
: ' apythonh' , 
2 
3 
ilnport re 
apythonhel 1 omypythonhi sp ythonourpythonend" 
4 
string 
pattern re. compile python. 
5 
result pattern. findall (string) 
6 
7 
spythono' , ' rpythone' 
es t 
' ypythonh', '

参考资料

《Python教程-廖雪峰》
Python3 正则表达式
Python爬虫入门七之正则表达式

赞赏

发表评论

textsms
account_circle
email

嵌入式视觉笔记

Python3 正则表达式
字符串是编程时涉及到的最多的一种数据结构,对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的 Email 地址,虽然可以编程提取 @ 前后的子串,再分别判断是…
扫描二维码继续阅读
2020-09-16