Python 正则表达式

/regex

在本教程中，您将学习正则表达式（RegEx），并使用 Python 的re模块与 RegEx 一起使用（在示例的帮助下）。

正则表达式（RegEx）是定义搜索模式的字符序列。 例如，

^a...s$

上面的代码定义了 RegEx 模式。 模式为从a到s的任何五个字母的字符串。

使用 RegEx 定义的模式可用于与字符串匹配。

Python 有一个名为re的模块可与 RegEx 一起使用。 这是一个例子：

import re

pattern = '^a...s$'
test_string = 'abyss'
result = re.match(pattern, test_string)

if result:
  print("Search successful.")
else:
  print("Search unsuccessful.") 

在这里，我们使用re.match()函数在test_string中搜索pattern。 如果搜索成功，该方法将返回一个匹配对象。 如果不是，则返回None。

re模块中定义了其他一些函数，可与 RegEx 一起使用。 在探讨之前，让我们学习正则表达式本身。

如果您已经了解 RegEx 的基础知识，请跳至 Python RegEx。

使用 RegEx 指定模式

为了指定正则表达式，使用了元字符。 在上面的示例中，^和$是元字符。

元字符

元字符是 RegEx 引擎以特殊方式解释的字符。 以下是元字符列表：

[] . ^ $  + ? {} () \ |

[] - 方括号

方括号指定您要匹配的一组字符。

在这里，如果您要匹配的字符串包含a，b或c中的任何一个，则[abc]将匹配。

您也可以使用方括号内的-指定字符范围。

• [a-e]与[abcde]相同。
• [1-4]与[1234]相同。
• [0-39]与[01239]相同。

您可以在方括号的开头使用尖号^符号来补充（反转）字符集。

• [^abc]表示除a或b或c之外的任何字符。
• [^0-9]表示任何非数字字符。

. - 句号

句点匹配任何单个字符（换行符'\n'除外）。

^ - 脱字符

插入符号^用于检查字符串是否以某个字符开头。

$ - 美元

美元符号$用于检查字符串是否以某个字符结束。

* - 星号

星形符号*匹配模式的零次或多次出现。

+- 加号

加号+匹配左侧的模式的一个或多个出现。

? - 问号

问号符号?匹配模式的零或一次出现。

{} - 大括号

考虑以下代码：{n,m}。 这意味着至少n，并且最多m个重复的模式留给它。

让我们再尝试一个示例。 此 RegEx [0-9]{2, 4}匹配至少 2 位但不超过 4 位

| - 替代项

竖线|用于交替（or运算符）。

在此，a|b匹配包含a或b的任何字符串

() - 分组

括号()用于对子模式进行分组。 例如，(a|b|c)xz匹配与a或b或c匹配的任何字符串，后跟xz

\ - 反斜线

反冲\用于转义包括所有元字符在内的各种字符。 例如，

如果字符串包含$后跟a，则\$a匹配。 在这里，$不是由 RegEx 引擎以特殊方式解释的。

如果不确定某个字符是否具有特殊含义，可以在其前面放置\。 这样可以确保不对字符进行特殊处理。

特殊序列

特殊序列使常用模式更易于编写。 以下是特殊序列的列表：

\A - 如果指定字符在字符串的开头，则匹配。

\b - 如果指定字符在单词的开头或结尾，则匹配。

\B - 与\b相反。 如果指定字符不是单词开头或结尾，则匹配。

\d - 匹配任何十进制数字。 相当于[0-9]

\D - 匹配任何非十进制数字。 相当于[^0-9]

\s - 匹配字符串包含任何空格字符的地方。 等效于[ \t\n\r\f\v]。

\S - 匹配字符串包含任何非空白字符的地方。 等效于[^ \t\n\r\f\v]。

\w - 匹配任何字母数字字符（数字和字母）。 等效于[a-zA-Z0-9_]。 顺便说一下，下划线_也被认为是字母数字字符。

\W - 匹配任何非字母数字字符。 相当于[^a-zA-Z0-9_]

\Z - 如果指定字符在字符串的末尾，则匹配。

提示：要构建和测试正则表达式，可以使用 RegEx 测试器工具，例如 regex101 。 该工具不仅可以帮助您创建正则表达式，还可以帮助您学习它。

现在，您了解了 RegEx 的基础知识，让我们讨论如何在 Python 代码中使用 RegEx。

Python RegEx

Python 有一个名为re的模块可用于正则表达式。 要使用它，我们需要导入模块。

import re

该模块定义了一些可与 RegEx 一起使用的函数和常量。

re.findall()

re.findall()方法返回包含所有匹配项的字符串列表。

示例 1：re.findall()

 # Program to extract numbers from a string

import re

string = 'hello 12 hi 89\. Howdy 34'
pattern = '\d+'

result = re.findall(pattern, string) 
print(result)

# Output: ['12', '89', '34'] 

如果找不到该模式，则re.findall()返回一个空列表。

re.split()

re.split方法在存在匹配项的地方拆分字符串，并返回发生拆分的字符串列表。

示例 2：re.split()

 import re

string = 'Twelve:12 Eighty nine:89.'
pattern = '\d+'

result = re.split(pattern, string) 
print(result)

# Output: ['Twelve:', ' Eighty nine:', '.'] 

如果找不到该模式，则re.split()返回一个包含原始字符串的列表。

您可以将maxsplit参数传递给re.split()方法。 这是将要发生的最大拆分次数。

 import re

string = 'Twelve:12 Eighty nine:89 Nine:9.'
pattern = '\d+'

# maxsplit = 1
# split only at the first occurrence
result = re.split(pattern, string, 1) 
print(result)

# Output: ['Twelve:', ' Eighty nine:89 Nine:9.'] 

顺便说一下，maxsplit的默认值为 0； 意味着所有可能的分裂。

re.sub()

re.sub()的语法为：

re.sub(pattern, replace, string)

该方法返回一个字符串，其中匹配的匹配项被replace变量的内容替换。

示例 3：re.sub()

 # Program to remove all whitespaces
import re

# multiline string
string = 'abc 12\
de 23 \n f45 6'

# matches all whitespace characters
pattern = '\s+'

# empty string
replace = ''

new_string = re.sub(pattern, replace, string) 
print(new_string)

# Output: abc12de23f456 

如果找不到该模式，则re.sub()返回原始字符串。

您可以将count作为第四个参数传递给re.sub()方法。 如果省略，则结果为 0。这将替换所有出现的事件。

 import re

# multiline string
string = 'abc 12\
de 23 \n f45 6'

# matches all whitespace characters
pattern = '\s+'
replace = ''

new_string = re.sub(r'\s+', replace, string, 1) 
print(new_string)

# Output:
# abc12de 23
# f45 6 

re.subn()

re.subn()与re.sub()相似，但期望它返回 2 个项目的元组，其中包含新字符串和进行的替换数目。

示例 4：re.subn()

 # Program to remove all whitespaces
import re

# multiline string
string = 'abc 12\
de 23 \n f45 6'

# matches all whitespace characters
pattern = '\s+'

# empty string
replace = ''

new_string = re.subn(pattern, replace, string) 
print(new_string)

# Output: ('abc12de23f456', 4) 

re.search()

re.search()方法采用两个参数：模式和字符串。 该方法查找 RegEx 模式与字符串匹配的第一个位置。

如果搜索成功，则re.search()返回一个匹配对象。 如果不是，则返回None。

match = re.search(pattern, str)

示例 5：re.search()

 import re

string = "Python is fun"

# check if 'Python' is at the beginning
match = re.search('\APython', string)

if match:
  print("pattern found inside the string")
else:
  print("pattern not found")  

# Output: pattern found inside the string 

在此，match包含一个匹配对象。

匹配对象

您可以使用dir()函数获取匹配对象的方法和属性。

匹配对象的一些常用方法和属性是：

match.group()

group()方法返回字符串中匹配的部分。

示例 6：匹配对象

 import re

string = '39801 356, 2102 1111'

# Three digit number followed by space followed by two digit number
pattern = '(\d{3}) (\d{2})'

# match variable contains a Match object.
match = re.search(pattern, string) 

if match:
  print(match.group())
else:
  print("pattern not found")

# Output: 801 35 

在此，match变量包含一个匹配对象。

我们的模式(\d{3}) (\d{2})具有两个子组(\d{3})和(\d{2})。 您可以获取这些带括号的子组的字符串的一部分。 这是如何做：

>>> match.group(1)
'801'

>>> match.group(2)
'35'
>>> match.group(1, 2)
('801', '35')

>>> match.groups()
('801', '35') 

match.start()，match.end()和match.span()

start()函数返回匹配的子字符串的开头的索引。 同样，end()返回匹配的子字符串的结束索引。

>>> match.start()
2
>>> match.end()
8

span()函数返回一个包含匹配部分的开始和结束索引的元组。

>>> match.span()
(2, 8)

match.re和match.string

匹配对象的re属性返回正则表达式对象。 同样，string属性返回传递的字符串。

>>> match.re
re.compile('(\\d{3}) (\\d{2})')

>>> match.string
'39801 356, 2102 1111' 

我们已经介绍了re模块中定义的所有常用方法。 如果您想了解更多信息，请访问 Python 3 re模块。

在 RegEx 之前使用r前缀

在正则表达式前使用r或R前缀时，表示原始字符串。 例如，'\n'是换行，而r'\n'表示两个字符：反斜杠\后跟n。

反冲\用于转义包括所有元字符在内的各种字符。 但是，使用r前缀会使\被视为正常字符。

示例 7：使用r前缀的原始字符串

 import re

string = '\n and \r are escape sequences.'

result = re.findall(r'[\n\r]', string) 
print(result)

# Output: ['\n', '\r']