???? “Python貓” ,一個值得加星標的公衆號
花下貓語:今天分享的是豬哥的正則表達式系列文章之二。我之前分享過豬哥的教程類文章,其風格是淺顯入門、全面細緻、圖文並茂、具有實操性,這篇也如此。那麼,祝大家讀有所獲吧。
劇照 | 《無心法師3》
來源:豬哥@裸睡的豬公衆號
之前我們講解了 正則表達式 的起源、發展、流派、語法、引擎、優化等相關知識,今天我們主要來學習一下 正則表達式在 Python語言 中的應用!
大多數編程語言的正則表達式設計都師從Perl,所以語法基本相似,不同的是每種語言都有自己的函數去支持正則,今天我們就來學習 Python中關於 正則表達式的函數。
re模塊主要定義了9個常量、12個函數、1個異常,每個常量和函數豬哥都會通過實際代碼案例講解,讓大家能更直觀的瞭解其作用!
注:爲避免出現代碼格式錯亂,豬哥儘量使用代碼截圖演示哦。
一、re模塊簡介
聊到Python正則表達式的支持,首先肯定會想到re
庫,這是一個Python處理文本的標準庫。
標準庫的意思表示這是一個Python內置模塊,不需要額外下載,目前Python內置模塊大概有300個。可以在這裏查看Python所有的內置模塊:https://docs.python.org/3/py-modindex.html#cap-r
因爲re是內置模塊,所以不需要再下載,使用時直接引入即可:
import re
re模塊官方文檔:https://docs.python.org/zh-cn/3.8/library/re.html
re模塊庫源碼:https://github.com/python/cpython/blob/3.8/Lib/re.py
二、re模塊常量
常量即表示不可更改的變量,一般用於做標記。
re模塊中有9個常量,常量的值都是int類型!
上圖我們可以看到,所有的常量都是在RegexFlag枚舉類來實現,這是在Python 3.6做的改版。在Python 3.6以前版本是直接將常量寫在re.py中,使用枚舉的好處就是方便管理和使用!
下面我們來快速學習這些常量的作用及如何使用他們,按常用度排序!
1. IGNORECASE
語法: re.IGNORECASE 或簡寫爲 re.I
作用: 進行忽略大小寫匹配。
代碼案例:
在默認匹配模式下大寫字母B無法匹配小寫字母b,而在 忽略大小寫 模式下是可以的。
2. ASCII
語法: re.ASCII 或簡寫爲 re.A
作用: 顧名思義,ASCII表示ASCII碼的意思,讓 \w
, \W
, \b
, \B
, \d
, \D
, \s
和 \S
只匹配ASCII,而不是Unicode。
代碼案例:
在默認匹配模式下\w+
匹配到了所有字符串,而在ASCII模式下,只匹配到了a、b、c(ASCII編碼支持的字符)。
注意:這隻對字符串匹配模式有效,對字節匹配模式無效。
3. DOTALL
語法: re.DOTALL 或簡寫爲 re.S
作用: DOT表示.
,ALL表示所有,連起來就是.
匹配所有,包括換行符\n
。默認模式下.
是不能匹配行符\n
的。
代碼案例:
在默認匹配模式下.
並沒有匹配換行符\n
,而是將字符串分開匹配;而在re.DOTALL模式下,換行符\n
與字符串一起被匹配到。
注意:默認匹配模式下.
並不會匹配換行符\n
。
4. MULTILINE
語法: re.MULTILINE 或簡寫爲 re.M
作用:多行模式,當某字符串中有換行符\n
,默認模式下是不支持換行符特性的,比如:行開頭 和 行結尾,而多行模式下是支持匹配行開頭的。
代碼案例:
正則表達式中^
表示匹配行的開頭,默認模式下它只能匹配字符串的開頭;而在多行模式下,它還可以匹配 換行符\n
後面的字符。
注意:正則語法中^
匹配行開頭、\A
匹配字符串開頭,單行模式下它兩效果一致,多行模式下\A
不能識別\n
。
5. VERBOSE
語法:re.VERBOSE 或簡寫爲 re.X
作用:詳細模式,可以在正則表達式中加註解!
代碼案例:
默認模式下並不能識別正則表達式中的註釋,而詳細模式是可以識別的。
當一個正則表達式十分複雜的時候,詳細模式或許能爲你提供另一種註釋方式,但它不應該成爲炫技的手段,建議謹慎考慮後使用!
6.LOCALE
語法: re.LOCALE 或簡寫爲 re.L
作用: 由當前語言區域決定 \w
, \W
, \b
, \B
和大小寫敏感匹配,這個標記只能對byte樣式有效。這個標記官方已經不推薦使用,因爲語言區域機制很不可靠,它一次只能處理一個 “習慣”,而且只對8位字節有效。
注意: 由於這個標記官方已經不推薦使用,而且豬哥也沒使用過,所以就不給出實際的案例!
7.UNICODE
語法: re.UNICODE 或簡寫爲 re.U
作用: 與 ASCII 模式類似,匹配unicode編碼支持的字符,但是 Python 3 默認字符串已經是Unicode,所以有點冗餘。
8. DEBUG
語法: re.DEBUG
作用: 顯示編譯時的debug信息。
代碼案例:
雖然debug模式下確實會打印編譯信息,但豬哥並不理解這是什麼語言 以及表達的含義,希望瞭解的朋友能不吝賜教。
9.TEMPLATE
語法: re.TEMPLATE 或簡寫爲 re.T
作用: 豬哥也沒搞懂TEMPLATE的具體用處,源碼註釋中寫着:disable backtracking(禁用回溯),有了解的同學可以留言告知!
10. 常量總結
9個常量中,前5個(IGNORECASE、ASCII、DOTALL、MULTILINE、VERBOSE)有用處,兩個(LOCALE、UNICODE)官方不建議使用、兩個(TEMPLATE、DEBUG)試驗性功能,不能依賴。
常量在re常用函數中都可以使用,查看源碼可得知。
常量可疊加使用,因爲常量值都是2的冪次方值,所以是可以疊加使用的,疊加時請使用
|
符號,請勿使用+
符號!
最後來一張思維導圖總結一下re模塊中的常量吧,需要高清圖或者xmind文件的同學可在文章末尾獲取。
三、re模塊函數
re模塊有12個函數,豬哥將以功能分類來講解;這樣更具有比較性,同時也方便記憶。
1.查找一個匹配項
查找並返回一個匹配項的函數有3個:search、match、fullmatch,他們的區別分別是:
search: 查找任意位置的匹配項
match: 必須從字符串開頭匹配
fullmatch: 整個字符串與正則完全匹配
我們再來根據實際的代碼案例比較:
案例1:
案例1中search函數是在字符串中任意位置匹配,只要有符合正則表達式的字符串就匹配成功,其實有兩個匹配項,但search函數值返回一個。
而match函數是要從頭開始匹配,而字符串開頭多了個字母a
,所以無法匹配,fullmatch函數需要完全相同,故也不匹配!
案例2:
案例2刪除了text最開頭的字母a,這樣match函數就可以匹配啦,而fullmatch函數依然不能完全匹配!
案例3:
案例3中,我們只留下一段文字,並且與正則表達式一致;這時fullmatch函數終於可以匹配了。
完整案例:
注意:查找 一個匹配項 返回的都是一個匹配對象(Match)。
2.查找多個匹配項
講完查找一項,現在來看看查找多項吧,查找多項函數主要有:findall函數 與 finditer函數:
findall: 從字符串任意位置查找,返回一個列表
finditer:從字符串任意位置查找,返回一個迭代器
兩個方法基本類似,只不過一個是返回列表,一個是返回迭代器。我們知道列表是一次性生成在內存中,而迭代器是需要使用時一點一點生成出來的,內存使用更優。
如果可能存在大量的匹配項的話,建議使用finditer函數,一般情況使用findall函數基本沒啥影響。
3.分割
re.split(pattern, string, maxsplit=0, flags=0) 函數:用 pattern 分開 string , maxsplit表示最多進行分割次數, flags表示模式,就是上面我們講解的常量!
注意:str
模塊也有一個 split函數 ,那這兩個函數該怎麼選呢?
str.split函數功能簡單,不支持正則分割,而re.split支持正則。
關於二者的速度如何? 豬哥實際測試了一下,在相同數據量的情況下使用re.split
函數與str.split
函數執行次數 與 執行時間 對比圖:
通過上圖對比發現,1000次循環以內str.split
函數更快,而循環次數1000次以上後re.split
函數明顯更快,而且次數越多差距越大!
所以結論是:在 不需要正則支持 且 數據量和數次不多 的情況下使用str.split
函數更合適,反之則使用re.split
函數。
注:具體執行時間與測試數據有關!
4.替換
替換主要有sub函數 與 subn函數,他們功能類似!
先來看看sub函數的用法:
re.sub(pattern, repl, string, count=0, flags=0) 函數參數講解:repl替換掉string中被pattern匹配的字符, count表示最大替換次數,flags表示正則表達式的常量。
值得注意的是:sub函數中的入參:repl替換內容既可以是字符串,也可以是一個函數哦! 如果repl爲函數時,只能有一個入參:Match匹配對象。
re.subn(pattern, repl, string, count=0, flags=0) 函數與 re.sub函數 功能一致,只不過返回一個元組 (字符串, 替換次數)。
5.編譯正則對象
compile函數 與 template函數 將正則表達式的樣式編譯爲一個 正則表達式對象 (正則對象Pattern),這個對象與re模塊有同樣的正則函數(後面我們會講解Pattern正則對象)。
而template函數 與 compile函數 類似,只不過是增加了我們之前說的re.TEMPLATE 模式,我們可以看看源碼。
6.其他
re.escape(pattern) 可以轉義正則表達式中具有特殊含義的字符,比如:.
或者 *
,舉個實際的案例:
re.escape(pattern) 看似非常好用省去了我們自己加轉義,但是使用它很容易出現轉義錯誤的問題,所以並不建議使用它轉義,而建議大家自己手動轉義!
re.purge() 函數作用就是清除 正則表達式緩存,具體有什麼緩存呢?我們來看看源碼就知道它背地裏幹了 什麼:
看方法大概是清除緩存吧,我們再來看看具體的案例:
豬哥在兩個案例之間使用了re.purge() 函數清除緩存,然後分別比較前後案例源碼裏面的緩存,看看是否有變化!
7.總結
同樣,最後來一張思維導圖總結一下re模塊中的函數吧,需要高清圖或者xmind文件的同學可在末尾獲取。
四、re模塊異常
re模塊還包含了一個正則表達式的編譯錯誤,當我們給出的正則表達式是一個無效的表達式(就是表達式本身有問題)時,就會raise一個異常!
我們來看看具體的案例吧:
上圖案例中我們可以看到,在編寫正則表達式中我們多寫了一個後括號,這導致執行結果報錯;而且是在其他所有案例執行之前,所以說明是在正則表達式編譯時期就報錯了。
注意:這個異常一定是 正則表達式 本身是無效的,與要匹配的字符串無關!
五、正則對象Pattern
關於re
模塊的常量、函數、異常我們都講解完畢,但是完全有必要再講講正則對象Pattern。
1. 與re模塊 函數一致
在re
模塊的函數中有一個重要的函數 compile函數 ,這個函數可以預編譯返回一個正則對象,此正則對象擁有與re
模塊相同的函數,我們來看看Pattern類的源碼。
既然是一致的,那到底該用re模塊 還是 正則對象Pattern ?
而且,有些同學可能看過re
模塊的源碼,你會發現其實compile函數 與 其他 re函數(search、split、sub等等) 內部調用的是同一個函數,最終還是調用正則對象的函數!
也就是說下面 兩種代碼寫法底層實現 其實是一致的:
# re函數re.search(pattern, text)
# 正則對象函數compile = re.compile(pattern)compile.search(text)
那還有必要使用compile函數 得到正則對象再去調用 search函數 嗎?直接調用re.search 是不是就可以?
2. 官方文檔怎麼說
關於到底該用re模塊 還是 正則對象Pattern ,官方文檔是否有說明呢?
官方文檔推薦:在多次使用某個正則表達式時推薦使用正則對象Pattern 以增加複用性,因爲通過 re.compile(pattern) 編譯後的模塊級函數會被緩存!
3. 實際測試又如何?
上面官方文檔推薦我們在 多次使用某個正則表達式時使用正則對象,那實際情況真的是這樣的嗎?
我們再實測一下吧
豬哥編寫了兩個函數,一個使用re.search函數 另一個使用 compile.search函數 ,分別(不同時)循環執行count次(count從1-1萬),比較兩者的耗時!
得出的結果豬哥繪製成折線圖:
得出的結論是:100次循環以內兩者的速度基本一致,當超出100次後,使用 正則對象Pattern 的函數 耗時明顯更短,所以比re模塊 要快!
通過實際測試得知:Python 官方文檔推薦 多次使用某個正則表達式時使用正則對象函數 基本屬實!
六、注意事項
Python 正則表達式知識基本講解完畢,最後稍微給大家提一提需要注意的點。
1.字節串 與 字符串
模式和被搜索的字符串既可以是 Unicode 字符串 (str) ,也可以是8位字節串 (bytes)。但是,Unicode 字符串與8位字節串不能混用!
2.r 的作用
正則表達式使用反斜槓(’\’)來表示特殊形式,或者把特殊字符轉義成普通字符。
而反斜槓在普通的 Python 字符串裏也有相同的作用,所以就產生了衝突。
解決辦法是對於正則表達式樣式使用 Python 的原始字符串表示法;在帶有 ‘r’ 前綴的字符串字面值中,反斜槓不必做任何特殊處理。
3.正則查找函數 返回匹配對象
查找一個匹配項(search、match、fullmatch)的函數返回值都是一個 匹配對象Match ,需要通過match.group() 獲取匹配值,這個很容易忘記。
另外還需要注意:match.group() 與match.groups() 函數的差別!
4.重複使用某個正則
如果要重複使用某個正則表達式,推薦先使用 re.compile(pattern)函數 返回一個正則對象,然後複用這個正則對象,這樣會更快!
5.Python 正則面試
筆試可能會遇到需要使用Python正則表達式,不過不會太難的,大家只要記住那幾個方法的區別,會正確使用,基本問題不大。
文章所有內容精華豬哥已經整理成一份思維導圖:鏈接(或閱讀原文):https://pan.baidu.com/s/10MMpuf6Rcba-gvBo1oIzlw 密碼:y6z3
最後感謝大家閱讀,希望大家能學有所成~
優質文章,推薦閱讀:
Python 命令行之旅:使用 argparse 實現 git 命令
感謝創作者的好文