目錄
1. 爲什麼要使用正則表達式?
首先，大家來看一個例子。一個文本文件裏面存儲了一些市場職位信息，格式如下所示：
Python3 高級開發工程師 上海互教教育科技有限公司上海-浦東新區2萬/月02-18滿員
測試開發工程師（C++/python） 上海墨鵾數碼科技有限公司上海-浦東新區2.5萬/每月02-18未滿員
Python3 開發工程師 上海德拓信息技術股份有限公司上海-徐彙區1.3萬/每月02-18剩餘11人
測試開發工程師（Python） 赫裏普（上海）信息科技有限公司上海-浦東新區1.1萬/每月02-18剩餘5人
Python高級開發工程師 上海行動教育科技股份有限公司上海-閔行區2.8萬/月02-18剩餘255人
python開發工程師 上海優似騰軟件開發有限公司上海-浦東新區2.5萬/每月02-18滿員
現在，我們需要編寫一個程序，從這些文本里面抓取所有職位的薪資。獲取結果如下所示：
2
2.5
1.3
1.1
2.8
2.5
怎麼做？大家可以先自己思考一下。這是典型的字符串處理。分析這裏面的規律，可以發現，薪資的數字後面都有關鍵字萬/月或者萬/每月。根據我們學過的知識，我們不難寫出下面的代碼：
html_str = """
Python3 高級開發工程師 上海互教教育科技有限公司上海-浦東新區2萬/月02-18滿員
測試開發工程師（C++/python） 上海墨鵾數碼科技有限公司上海-浦東新區2.5萬/每月02-18未滿員
Python3 開發工程師 上海德拓信息技術股份有限公司上海-徐彙區1.3萬/每月02-18剩餘11人
測試開發工程師（Python） 赫裏普（上海）信息科技有限公司上海-浦東新區1.1萬/每月02-18剩餘5人
Python高級開發工程師 上海行動教育科技股份有限公司上海-閔行區2.8萬/月02-18剩餘255人
python開發工程師 上海優似騰軟件開發有限公司上海-浦東新區2.5萬/每月02-18滿員
"""
# 將字符串html_str中每一行的數據提取出來存入到一個列表中
position_info_list = html_str.splitlines()
for position_info in position_info_list: # 遍歷
if position_info: # 判斷是否有數據
# 查找萬/月或者是萬/每月的索引
idx = position_info.find("萬/月") if position_info.find("萬/月") != -1 else position_info.find("萬/每月")
end_pos = idx # 記錄結束位置
if idx == -1:
continue # 上面兩種都沒找到
find_start = idx - 1 # 記錄萬字前的位置
while position_info[find_start].isdigit() or position_info[find_start] == ".":
find_start -= 1
start_pos = find_start + 1 # 開始位置
print(position_info[start_pos: end_pos]) # 切片獲取薪資
運行一下，發現完全可以。如圖所示：
在你高興完之後，我們再看看寫的代碼。怎麼樣？太麻煩了，是不是。爲了從每行獲取薪資對應的數字，我們可是寫了不少行代碼。這種從字符串中搜索出某種特徵的子串有沒有更簡單的方法呢？解決方案就是我們今天要介紹的正則表達式。如果我們使用正則表達式，代碼可以這樣：
import re
html_str = """
Python3 高級開發工程師 上海互教教育科技有限公司上海-浦東新區2萬/月02-18滿員
測試開發工程師（C++/python） 上海墨鵾數碼科技有限公司上海-浦東新區2.5萬/每月02-18未滿員
Python3 開發工程師 上海德拓信息技術股份有限公司上海-徐彙區1.3萬/每月02-18剩餘11人
測試開發工程師（Python） 赫裏普（上海）信息科技有限公司上海-浦東新區1.1萬/每月02-18剩餘5人
Python高級開發工程師 上海行動教育科技股份有限公司上海-閔行區2.8萬/月02-18剩餘255人
python開發工程師 上海優似騰軟件開發有限公司上海-浦東新區2.5萬/每月02-18滿員
"""
salary_list = re.findall(r"([\d.]+)萬/每?月", html_str)
for salary in salary_list:
print(salary)
運行一下看看，結果是一樣的。但是代碼卻簡單多了。從上面的例子可以看出，用正則表達式關鍵的地方在於如何寫出正確的表達式語法。正則表達式非常強大，語法非常複雜，如果你英文閱讀能力還可以，那太好了，點擊這裏，參考Python官方文檔裏面的描述 。具體的使用細節包括語法都在裏面。本文會給大家介紹一些常見的正則表達式語法。
2. 什麼是正則表達式?
在處理字符串時，經常會有查找符合某些複雜規則的字符串的需求。正則表達式就是用於描述這些規則的工具。換句話說，正則表達式就是記錄文本規則的代碼。對於接觸過DOS/終端的用戶來說，如果想匹配當前文件夾下所有的文本文件，可以輸入dir *.txt/ls *.txt命令，按<Enter>鍵後，所有.txt文件將會被列出來。這裏的*.txt即可理解爲一個簡單的正則表達式。
在數據庫中使用正則表達式，如圖所示：
3. re模塊操作
Python提供了re模塊，用於實現正則表達式的操作。在實現時，可以使用re模塊提供的方法search()、 match()、findall()等進行字符串處理，也可以先使用re模塊的compile()方法將模式字符串轉換爲正則表達式對象，然後再使用該正則表達式對象的相關方法來操作字符串。re模塊在使用時，需要先應用import語句引入，具體代碼如下:
import re
這裏因爲我們還沒有學習匹配的規則，所以先學習一下match方法，其他的方法在本文末尾講解。match()方法用於從字符串的開始處進行匹配，如果在起始位置匹配成功，則返回Match對象，否則返回None，語法格式如下:
re.match(pattern, string, [flags] )
參數說明：
1. pattern：表示模式字符串，由要匹配的正則表達式轉換而來。
2. string：表示要匹配的字符串。
3. flags：可選參數，表示標誌位，用於控制匹配方式，如是否區分字母大小寫。
常用的flags如下表所示：
| 標誌 | 說明 |
|---|---|
| A 或ASCII | 對於\w、\W、\b、\B、\d、\D、\s和\S只進行ASCII匹配(僅適用於Python 3.x) |
| I或IGNORECASE | 執行不區分字母大小寫的匹配 |
| M或MULTILINE | 將^和$用於包括整個字符串的開始和結尾的每一行(默認情況下，僅適用於整個字符串的開始和結尾處) |
| S或DOTALL | 使用(.)字符匹配所有字符，包括換行符 |
| X或VERBOSE | 忽略模式字符串中未轉義的空格和註釋 |
例如，匹配字符串是否以amo_開頭，不區分字母大小寫，代碼如下：
從上面的執行結果中可以看出，字符串Amo_cool是以amo_開頭，所以返回一個Match對象，而字符串外貌描述 Amo_ cool不是以amo_開頭，將返回None。這是因爲match()方法從字符串的開始位置開始匹配，當第一個字母不符合條件時，則不再進行匹配，直接返回None。Match對象中包含了匹配值的位置和匹配數據。其中，要獲取匹配值的起始位置可以使用Match對象的start() 方法 要獲取匹配值的結束位置可以使用end()方法 通過span()方法可以返回匹配位置的元組 通過string屬性可以獲取要匹配的字符串。例如下面的代碼:
import re
pattern = r"amo_" # 模式字符串
str1 = "Amo_cool amo_cool" # 要匹配的字符串
match = re.match(pattern, str1, re.I) # 匹配字符串 不區分大小寫
print(f"匹配值的起始位置: {match.start()}")
print(f"匹配值的結束位置: {match.end()}")
print(f"匹配位置的元組: {match.span()}")
print(f"要匹配的字符串: {match.string}")
print(f"匹配數據: {match.group()}"
運行結果如圖所示：
Python中字符串前面加上r表示原生字符串，與大多數編程語言相同，正則表達式裏使用\作爲轉義字符，這就可能造成反斜槓困擾。假如你需要匹配文本中的字符\，那麼使用編程語言表示的正則表達式裏將需要4個反斜槓\：前兩個和後兩個分別用於在編程語言裏轉義成反斜槓，轉換成兩個反斜槓後再在正則表達式裏轉義成一個反斜槓。Python裏的原生字符串很好地解決了這個問題，有了原生字符串，你再也不用擔心是不是漏寫了反斜槓，寫出來的表達式也更直觀。如圖所示：
4. 匹配單個字符
在上一小節中，瞭解到通過re模塊能夠完成使用正則表達式來匹配字符串。本小節，將要講解正則表達式的單字符匹配，具體的規則，如下所示：
| 實例 | 描述 |
|---|---|
| . | 匹配除"\n"之外的任何單個字符。要匹配包括"\n"在內的任何字符，請使用"[.\n]"模式。 |
| \d | 匹配一個數字字符。等價於 [0-9]。 |
| \D | 匹配一個非數字字符。等價於 [^0-9]。 |
| \s | 匹配任何空白字符，包括空格、製表符、換頁符等等。等價於[ \f\n\r\t\v]。 |
| \S | 匹配任何非空白字符。等價於 [^ \f\n\r\t\v]。 |
| \w | 匹配包括下劃線的任何單詞字符。等價於"[A-Za-z0-9_]"。 |
| \W | 匹配任何非單詞字符。等價於"[^A-Za-z0-9_]"。 |
| […] | 用來表示一組字符，單獨列出：[amk] 匹配 ‘a’，‘m’或’k’ |
| [^…] | 不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。 |
| ^ | 匹配字符串的開頭 |
| $ | 匹配字符串的結尾 |
例子如下：
5. 匹配多個字符
匹配多個字符的相關格式：
| 實例 | 描述 |
|---|---|
| re* | 匹配0個或多個的表達式 。 |
| re+ | 匹配1個或多個的表達式。 |
| re? | 匹配0個或1個由前面的正則表達式定義的片段，非貪婪方式。 |
| re{n} | 匹配n個前面表達式。例如，o{2}不能匹配Bob中的o，但是能匹配food中的兩個o。 |
| re{n,} | 精確匹配n個前面表達式。例如，o{2,}不能匹配Bob中的o，但能匹配foooood中的所有o。o{1,}等價於o+。o{0,}則等價於o*。 |
| re{n,m} | 匹配 n 到 m 次由前面的正則表達式定義的片段，貪婪方式 |
例子如下：
6. 匹配分組
| 實例 | 描述 |
|---|---|
| a|b | 匹配a或b |
| (re) | 匹配括號內的表達式，也表示一個組 |
| \num | 引用分組num匹配到的字符串 |
| (?P<name>) | 分組起別名 |
| (?P=name) | 引用別名爲name分組匹配到的字符串 |
練習1：匹配出0-100之間的數字
result = re.match(r"[1-9]?\d$|100", "70").group()
練習2：匹配出163、126、qq、sina郵箱
要求：可使用英文小寫 數字 下劃線，下劃線不能在首尾且@符號之前有4到16位字符
result = re.match(r"^[a-z0-9][a-z0-9_]{2,14}[a-z0-9]@(163|126|qq|sina)\.com$", "[email protected]").group()
練習3：匹配出<html><body>amo666</body></html>
import re
str1 = "<html><body>amo666</body></html>"
pattern1 = r"<([a-zA-Z]*)><([a-zA-Z]*)>.*</\2></\1>"
match_obj1 = re.match(pattern1, str1)
print(match_obj1.group())
pattern2 = r"<(?P<name1>[a-zA-Z]*)><(?P<name2>[a-zA-Z]*)>.*</(?P=name2)></(?P=name1)>"
match_obj2 = re.match(pattern2, str1)
print(match_obj2.group())
執行結果如下：
<html><body>amo666</body></html>
<html><body>amo666</body></html>
7. re模塊的高級用法
7.1 使用search()方法進行匹配
search()方法用於在整個字符串中搜索第一個匹配的值， 如果匹配成功，則返回Match對象，否則返回None，語法格式如下:
re. search(pattern, string, [flags])
參數說明：
- pattern：表示模式字符串，由要匹配的正則表達式轉換而來。
- string：表示要匹配的字符串。
- flags：可選參數，表示標誌位，用於控制匹配方式，如是否區分字母大小寫。
例如，搜索第一個以amo_開頭的字符串，不區分字母大小寫，代碼如下:
import re
match_obj1 = re.search(r"amo_\w+", "Amo_SHOP amo_shop", re.I)
print(match_obj1)
match_obj2 = re.search(r"amo_\w+", "項目名稱Amo_SHOP amo_shop", re.I)
print(match_obj2)
執行結果如下：
從上面的運行結果中可以看出，search()方法不僅僅是在字符串的起始位置搜索，其他位置有符合的匹配也可以。
7.2 使用findall()方法進行匹配
findall()方法用於在整個字符串中搜索所有符合正則表達式的字符串，並以列表的形式返回。如果匹配成功，則返回包含匹配結構的列表，否則返回空列表。其語法格式如下:
re. findall(pattern, string, [flags])
參數說明：
- pattern：表示模式字符串，由要匹配的正則表達式轉換而來。
- string：表示要匹配的字符串。
- flags：可選參數，表示標誌位，用於控制匹配方式，如是否區分字母大小寫。
例如，搜索以amo_開頭的字符串，不區分字母大小寫，代碼如下:
import re
result1 = re.findall(r"amo_\w+", "Amo_SHOP amo_shop", re.I)
print(result1)
result2 = re.findall(r"amo_\w+", "項目名稱Amo_SHOP amo_shop")
print(result2)
執行結果如下：
如果在指定的模式字符串中，包含分組，則返回與分組匹配的文本列表。例如：
import re
result1 = re.findall(r"[1-9]{1,3}(\.[0-9]{1,3}){3}", "127.0.0.1 192.168.31.157")
print(result1)
上面的代碼的執行結果如下：
['.1', '.157']
從上面的結果中可以看出，並沒有得到匹配的IP地址，這是因爲在模式字符串中出現了分組，所以得到的結果是根據分組進行匹配的結果，即(\.[0一9]{1,3})匹配的結果。如果想獲取整個模式字符串的匹配，可以將整個模式字符串使用一對小括號進行分組，然後在獲取結果時，只取返回值列表的每個元素(是一個元組)的第1個元素。代碼如下：
import re
str1 = "127.0.0.1 192.168.31.157"
result1 = re.findall(r"([1-9]{1,3}(\.[0-9]{1,3}){3})", str1)
for item in result1:
print(item[0])
執行結果如下：
127.0.0.1
192.168.31.157
7.3 替換字符串
sub()方法用於實現字符串替換，語法格式如下:
re. sub( pattern, repl, string, count, flags)
參數說明：
- pattern：表示模式字符串，由要匹配的正則表達式轉換而來。
- repl: 表示替換的字符串。
- string：表示要被查找替換的原始字符串。
- count：可選參數，表示模式匹配後替換的最大次數，默認值爲0,表示替換所有的匹配。
- flags：可選參數，表示標誌位，用於控制匹配方式，如是否區分字母大小寫。
例如，隱藏中獎信息中的手機號碼，代碼如下：
import re
pattern = r"1[34578]\d{9}"
str1 = "中獎號碼爲: 84978981 聯繫電話爲: 13611111111"
result = re.sub(pattern, "1XXXXXXXXXX", str1)
print(result)
執行結果如下：
中獎號碼爲: 84978981 聯繫電話爲: 1XXXXXXXXXX
7.4 使用正則表達式分割字符串
split()方法用於實現根據正則表達式分割字符串，並以列表的形式返回，其作用與字符串對象的split()方法類似，所不同的就是分割字符由模式字符串指定。語法格式如下:
re.split(pattern, string, [maxsplit], [flags])
參數說明：
- pattern：表示模式字符串，由要匹配的正則表達式轉換而來。
- string：表示要匹配的字符串。
- maxsplit：可選參數，表示最大的拆分次數。
- flags：可選參數，表示標誌位，用於控制匹配方式，如是否區分字母大小寫。
例如，從給定的URL地址中提取出請求地址和各個參數，代碼如下:
import re
pattern = r"[?|&]"
url = "https://study.163.com/courses-search?keyword=python&username=amo"
result = re.split(pattern, url)
print(result)
執行結果如下：
['https://study.163.com/courses-search', 'keyword=python', 'username=amo']
關於正則表達式的貪婪和非貪婪 可以點擊這裏正則表達式的貪婪模式與非貪婪模式參考。