動機
【1】 文本處理已經成爲計算機常見工作之一
【2】對文本內容的搜索,定位,提取是邏輯比較複雜的工作
【3】爲了快速方便的解決上述問題,產生了正則表達式技術
簡介
1. 定義
即文本的高級匹配模式,提供搜索,替換等功能。其本質是由一系列字符和特殊符號構成的字串,這個字串即正則表式。
2. 原理
通過普通字符和有特定含義的字符,來組成字符串,用以描述一定的字符串規則,比如:重複,位置等,來表達某類特定的字符串,進而匹配。
元字符使用
普通字符
匹配規則:每個普通字符匹配其對應的字符
In : re.findall('ab',"abcdefabcd")
Out: ['ab', 'ab']
注意事項:正則表達式在python中也可以匹配中文
或關係
元字符: |
匹配規則: 匹配 | 兩側任意的正則表達式即可
In : re.findall('com|cn',"www.baidu.com/www.tmooc.cn")
Out: ['com', 'cn']
匹配單個字符
元字符: .
匹配規則:匹配除換行外的任意一個字符
In : re.findall('張.豐',"張三丰,張四豐,張五豐")
Out: ['張三丰', '張四豐', '張五豐']
匹配字符集
元字符: [字符集]
匹配規則: 匹配字符集中的任意一個字符
表達形式:
[abc#!好] 表示 [] 中的任意一個字符
[0-9],[a-z],[A-Z] 表示區間內的任意一個字符
[_#?0-9a-z] 混合書寫,一般區間表達寫在後面
In : re.findall('[aeiou]',"How are you!")
Out: ['o', 'a', 'e', 'o', 'u']
匹配字符集反集
元字符:[^字符集]
匹配規則:匹配除了字符集以外的任意一個字符
In : re.findall('[^0-9]',"Use 007 port")
Out: ['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']
匹配字符串開始位置
元字符: ^
匹配規則:匹配目標字符串的開頭位置
In : re.findall('^Jame',"Jame,hello")
Out: ['Jame']
匹配字符串的結束位置
元字符: $
匹配規則: 匹配目標字符串的結尾位置
In : re.findall('Jame$',"Hi,Jame")
Out: ['Jame']
規則技巧: ^ 和 $必然出現在正則表達式的開頭和結尾處。如果兩者同時出現,則中間的部分必須匹配整個目標字符串的全部內容。
匹配字符重複
元字符: *
匹配規則:匹配前面的字符出現0次或多次
In : re.findall('wo*',"wooooo~~w!")
Out: ['wooooo', 'w']
元字符:+
匹配規則: 匹配前面的字符出現1次或多次
In : re.findall('[A-Z][a-z]+',"Hello World")
Out: ['Hello', 'World']
元字符:?
匹配規則: 匹配前面的字符出現0次或1次
In [28]: re.findall('-?[0-9]+',"Jame,age:18, -26")
Out[28]: ['18', '-26']
元字符:{n}
匹配規則: 匹配前面的字符出現n次
In : re.findall('1[0-9]{10}',"Jame:13886495728")
Out: ['13886495728']
元字符:{m,n}
匹配規則: 匹配前面的字符出現m-n次
In : re.findall('[1-9][0-9]{5,10}',"Baron:1259296994")
Out: ['1259296994']
匹配任意(非)數字字符
元字符: \d \D
匹配規則:\d 匹配任意數字字符,\D 匹配任意非數字字符
In : re.findall('\d{1,5}',"Mysql: 3306, http:80")
Out: ['3306', '80']
匹配任意(非)普通字符
元字符: \w \W
匹配規則: \w 匹配普通字符,\W 匹配非普通字符
說明: 普通字符指數字,字母,下劃線,漢字。
In : re.findall('\w+',"server_port = 8888")
Out: ['server_port', '8888']
匹配任意(非)空字符
元字符: \s \S
匹配規則: \s 匹配空字符,\S 匹配非空字符
說明:空字符指 空格 \r \n \t \v \f 字符
In : re.findall('\w+\s+\w+',"hello world")
Out: ['hello world']
匹配開頭結尾位置
元字符: \A \Z
匹配規則: \A 表示開頭位置,\Z 表示結尾位置
匹配(非)單詞的邊界位置
元字符: \b \B
匹配規則: \b 表示單詞邊界,\B 表示非單詞邊界
說明:單詞邊界指數字字母(漢字)下劃線與其他字符的交界位置。
In : re.findall(r'\bis\b',"This is a test.")
Out: ['is']
總結分類
正則表達式的轉義
1. 如果使用正則表達式匹配特殊字符則需要加 \ 表示轉義。
特殊字符: . * + ? ^ $ [] () {} | \
匹配特殊字符 . 時使用 \ 表示本身含義
In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")
Out: ['123', '-123', '1.23', '-1.23']
2. 在編程語言中,常使用原生字符串書寫正則表達式避免多重轉義的麻煩。
python字符串 --> 正則 --> 目標字符串
"\\$\\d+" 解析爲 \$\d+ 匹配 "$100"
"\\$\\d+" 等同於 r"\$\d+"
貪婪模式和非貪婪模式
1. 定義
貪婪模式: 默認情況下,匹配重複的元字符總是儘可能多的向後匹配內容。比如: * + ? {m,n}
非貪婪模式(懶惰模式): 讓匹配重複的元字符儘可能少的向後匹配內容。
2. 貪婪模式轉換爲非貪婪模式
在匹配重複元字符後加 '?' 號即可
* : *?
+ : +?
? : ??
{m,n} : {m,n}?
In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
Out: ['(abcd)', '(higk)']
正則表達式分組
1. 定義
在正則表達式中,以()建立正則表達式的內部分組,子組是正則表達式的一部分,可以作爲內部整體操作對象。
2. 作用
可以被作爲整體操作,改變元字符的操作對象
示例:改變 +號 重複的對象
In : re.search(r'(ab)+',"ababababab").group()
Out: 'ababababab'
示例:改變 |號 操作對象
In : re.search(r'(王|李)\w{1,3}',"王者榮耀").group()
Out: '王者榮耀'
3. 捕獲組
可以給正則表達式的子組起一個名字,表達該子組的意義。這種有名稱的子組即爲捕獲組。
格式: (?P<組名>pattern)
示例:給子組命名爲 "pig"
In : re.search(r'(?P<pig>ab)+',"ababababab").group('pig')
Out: 'ab'
4. 注意事項
一個正則表達式中可以包含多個子組
子組可以嵌套,但是不要重疊或者嵌套結構複雜
子組序列號一般從外到內,從左到右計數
正則表達式匹配原則
【1】正確性,能夠正確的匹配出目標字符串.
【2】排他性,除了目標字符串之外儘可能少的匹配其他內容.
【3】全面性,儘可能考慮到目標字符串的所有情況,不遺漏.