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。模式是：以a开头并以s结尾的任何五个字母字符串。

使用RegEx定义的模式可用于与字符串匹配。

Python有一个名为reRegEx 的模块。这是一个示例：

import re

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

if result:
  print("查找成功.")
else:
  print("查找不成功.")

这里，我们使用re.match()函数来搜索测试字符串中的模式。如果搜索成功，该方法将返回一个匹配对象。如果没有，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。

使用正则表达式指定模式

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，[abc]将匹配，如果你想匹配字符串中包含任何的a，b或c。

您也可以使用-方括号内的字符范围。

• [a-e]与相同[abcde]。

• [1-4]与相同[1234]。

• [0-39]与相同[01239]。

您可以通过^在方括号的开头使用插入符号来补充（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。

.- 句点

句点匹配任何单个字符（换行符除外'\n'）。

^- 插入符号

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特定字符结尾。

*- 星号

星号符号*匹配零个或多个剩余的模式。

+- 加号

加号会+匹配一个或多个剩余的模式。

?- 问号

问号符号会?匹配零或一出现的剩余模式。

{}- 大括号

考虑以下代码：{n,m}。这意味着至少要保留n个样式，并且最多重复m个样式。

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

|- 竖线

竖线|用于交替显示（or运算符）。

在这里，a|b匹配任何包含a或b的字符串

()- 括号

括号()用于对子模式进行分组。例如，(a|b|c)xz匹配任何与a或b或c匹配且后跟xz的字符串

\- 反斜杠

反斜杠\用于转义包括所有元字符在内的各种字符。例如，

\$a如果字符串包含$后跟则匹配a。在此，$RegEx引擎不会以特殊方式对其进行解释。

如果不确定某个字符是否具有特殊含义，可以将其\放在前面。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 -如果指定的字符在单词的开头或结尾，则匹配。

\B-与\b。如果指定的字符不在单词的开头或结尾，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。等同于[ \t\n\r\f\v]。

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

\w-匹配任何字母数字字符（数字和字母）。等同于[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 -如果指定的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regex。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正则表达式

Python有一个名为re正则表达式的模块。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()

# 从字符串中提取数字的程序

import re

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

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

# 输出: ['12', '89', '34']

如果找不到该模式，则re.findall()返回一个空列表。

re.split()

split方法对匹配的字符串进行拆分，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)

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

如果找不到该模式，则re.split()返回一个包含空字符串的列表。

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)

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

顺便说一下，maxsplit默认值为0；默认值为0。意味着拆分所有匹配的结果。

re.sub()

re.sub()的语法：

re.sub(pattern, replace, string)

该方法返回一个字符串，其中匹配的匹配项被替换为replace变量的内容。

示例3：re.sub()

# 删除所有空格的程序
import re

# 多行字符串
string = 'abc 12\
de 23 \n f45 6'

# 匹配所有空白字符
pattern = '\s+'

# 空字符串
replace = ''

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

# 输出: 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该re.sub()方法。如果省略，则结果为0。这将替换所有出现的匹配项。

import re

# 多行字符串
string = 'abc 12\
de 23 \n f45 6'

# 匹配所有空白字符
pattern = '\s+'
replace = ''

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

# 输出:
# abc12de 23
# f45 6

re.subn()

re.subn()与re.sub()类似，期望它返回一个包含2个项目的元组，其中包含新字符串和进行替换的次数。

示例4：re.subn()

# 删除所有空格的程序
import re

# 多行字符串
string = 'abc 12\
de 23 \n f45 6'

# 匹配所有空白字符
pattern = '\s+'

# 空字符串
replace = ''

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

# 输出: ('abc12de23f456', 4)

re.search()

re.search()方法采用两个参数：模式和字符串。 该方法寻找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"

# 检查“Python”是否在开头
match = re.search('\APython', string)

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

# 输出: pattern found inside the string

在这里，match包含一个match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'

# 三位数字，后跟空格，后两位数字
pattern = '(\d{3}) (\d{2})'

# match变量包含一个Match对象。
match = re.search(pattern, string) 

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

# 输出: 801 35

在这里，match变量包含一个match对象。

我们的模式(\d{3}) (\d{2})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。就是这样：

>>> 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属性返回一个正则表达式对象。 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

如果在正则表达式之前使用r或R前缀，则表示原始字符串。例如，'\n'是一个新行，而r'\n'表示两个字符：反斜杠\后跟n。

反斜杠\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\会将其视为普通字符。

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)

# 输出: ['\n', '\r']