re模块

小灰灰 2021-03-29 14:37 565阅读 0赞

## 一、简述 ##

就其本质而言，正则表达式（或 RE）是一种小型的、高度专业化的编程语言，（在Python中）它内嵌在Python中，并通过 re 模块实现。你可以为想要匹配的相应字符串集指定规则；该字符串集可能包含英文语句、e-mail地址、TeX命令或任何你想搞定的东西。然后你可以问诸如“这个字符串匹配该模式吗？”或“在这个字符串中是否有部分匹配该模式呢？”。你也可以使用 RE 以各种方式来修改或分割字符串。所以今天就来讲讲这个模块:re模块。

## 二、常用的正在表达式符号 ##

'.'     默认匹配除\n之外的任意一个字符，若指定flag DOTALL,则匹配任意字符，包括换行
    '^'     匹配字符开头，若指定flags MULTILINE,这种也可以匹配上(r"^a","\nabc\neee",flags=re.MULTILINE)
    '$'     匹配字符结尾，或e.search("foo$","bfoo\nsdfsf",flags=re.MULTILINE).group()也可以
    '*'     匹配*号前的字符0次或多次，re.findall("ab*","cabb3abcbbac")  结果为['abb', 'ab', 'a']
    '+'     匹配前一个字符1次或多次，re.findall("ab+","ab+cd+abb+bba") 结果['ab', 'abb']
    '?'     匹配前一个字符1次或0次
    '{m}'   匹配前一个字符m次
    '{n,m}' 匹配前一个字符n到m次，re.findall("ab{1,3}","abb abc abbcbbb") 结果'abb', 'ab', 'abb']
    '|'     匹配|左或|右的字符，re.search("abc|ABC","ABCBabcCD").group() 结果'ABC'
    '(...)' 分组匹配，re.search("(abc){2}a(123|456)c", "abcabca456c").group() 结果 abcabca456c
    '\'     转义
     
    [a-z]   匹配[a-z]
    [A-Z]   匹配[A-Z]
    [0-9]   匹配数字0-9
    '\A'    只从字符开头匹配，re.search("\Aabc","alexabc") 是匹配不到的
    '\Z'    匹配字符结尾，同$
    '\d'    匹配数字0-9
    '\D'    匹配非数字
    '\w'    匹配[A-Za-z0-9]
    '\W'    匹配非[A-Za-z0-9]
    's'     匹配空白字符、\t、\n、\r , re.search("\s+","ab\tc1\n3").group() 结果 '\t'
    '(?P<name>...)' 分组匹配 re.search("(?P<province>[0-9]{4})(?P<city>[0-9]{2})(?P<birthday>[0-9]{4})","371481199306143242").groupdict("city")
    结果:{
         'province': '3714', 'city': '81', 'birthday': '1993'}

## 三、常用的匹配方法 ##

**1、re.match(pattern, string, flags=0)**

说明：在string的开始处匹配模式

>>> import re
    >>> a = re.match('in',"inet addr:10.161.146.134")  #从头开始匹配in字符
    >>> a.group()
    'in'
     
    >>> a = re.match('addr',"inet addr:10.161.146.134")   #开头匹配不到，所以返回none
    >>> print(a)
    None

**2、re.search(pattern, string, flags=0)**

说明：在string中寻找模式

>>> import re
    >>> a = re.search('addr',"inet addr:10.161.146.134")  #在字符串中寻找
    >>> a.group()
    'addr'

**3、re.findall(pattern, string, flags=0)**

说明：把匹配到的字符以列表的形式返回

>>> import re
    >>> re.findall('[0-9]{1,3}',"inet addri:10.161.146.134")
    ['10', '161', '146', '134']   #符合条件的以列表的形式返回

**4、re.split(pattern, string, maxsplit=0, flags=0)**

说明：匹配到的字符被当做列表分割符

>>> import re
    >>> re.split('\.',"inet addri:10.161.146.134")
    ['inet addri:10', '161', '146', '134']

**5、re.sub(pattern, repl, string, count=0, flags=0)**

说明：匹配字符并替换

>>> import re
    >>> re.sub('\.','-',"inet addri:10.161.146.134")
    'inet addri:10-161-146-134'  #默认全部替换
     
    >>> re.sub('\.','-',"inet addri:10.161.146.134",count=2)
    'inet addri:10-161-146.134'  #用count控制替换次数

**6、finditer(pattern, string)**

说明：返回迭代器

>>> import re
    >>> re.finditer('addr',"inet addr:10.161.146.134")
    <callable_iterator object at 0x00000000030C4BE0>  #返回一个迭代器

## 四、常用方法 ##

**1、group(\[group1, ...\])**

说明：获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。

>>> import re
    >>> a = re.search('addr',"inet addr:10.161.146.134")
    >>> a.group()
    'addr'
    >>> a.group(0)
    'addr'

**2、groups(default=None)**

说明：以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。这个要跟分组匹配结合起来使用'(...)'

>>> import re
    >>> a = re.search("(\d{2})(\d{2})(\d{2})(\d{4})","320922199508083319") #一个小括号表示一个组，有4个括号，就是4个组
    >>> a.groups()
    ('32', '09', '22', '1995')

**3、groupdict(default=None)**

说明：返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。这个是跟另外一个分组匹配结合起来用的，即：'(?P<name>...)'

>>> import re
    >>> a = re.search("(?P<province>[0-9]{4})(?P<city>[0-9]{2})(?P<birthday>[0-9]{4})","371481199306143242")
    #以下两种情况获取的值都是一样的
    >>> a.groupdict()
    {
         'birthday': '1993', 'city': '81', 'province': '3714'}
    >>> a.groupdict("city")
    {
         'birthday': '1993', 'city': '81', 'province': '3714'}

**4、span(\[group\])**

说明：返回(start(group), end(group))

>>> import re
    >>> a = re.search('addr',"inet addr:10.161.146.134")
    >>> a.group()
    'addr'
    >>> a.span() #获取'addr'在字符串中的开始位置和结束位置
    (5, 9)

**5、start(\[group\])**

说明：返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引），group默认值为0。

>>> import re
    >>> a = re.search('addr',"inet addr:10.161.146.134")
    >>> a.group()
    'addr'
    >>> a.span()
    (5, 9)
    >>> a.start() #获取字符串的起始索引
    5

**6、end(\[group\])**

说明：返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1），group默认值为0。

>>> import re
    >>> a = re.search('addr',"inet addr:10.161.146.134")
    >>> a.group()
    'addr'
    >>> a.span()
    (5, 9)
    >>> a.end()  #获取string中的结束索引
    9

7**、compile(pattern\[, flags\])**

说明：根据包含正则表达式的字符串创建模式对象

>>> import re
    >>> m = re.compile("addr") #创建正则模式对象
    >>> n = m.search("inet addr:10.161.146.134")  #通过模式对象去匹配
    >>> n.group()
    'addr'

## 五、反斜杠的困扰 ##

与大多数编程语言相同，正则表达式里使用"\\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\\\"表示。同样，匹配一个数字的"\\\\d"可以写成r"\\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

>>> import re
    >>> a = re.split("\\\\","C:\ \zhangqigao\yhd_settings")
    >>> a
    ['C:', ' ', 'zhangqigao', 'yhd_settings']
     
    >>> re.findall('\\','abc\com')
    Traceback (most recent call last)
      
    >>> re.findall('\\\\','abc\com')
    ['\\']
     
    >>> re.findall(r'\\','abc\com')
    ['\\']

## 六、其他匹配模式 ##

**1、re.I(`re.IGNORECASE`)**

说明：忽略大小写(括号内是完整的写法，下同)

>>> import re
    >>> a = re.search('addr',"inet Addr:10.161.146.134",flags=re.I)
    >>> a.group()
    'Addr'  #忽略大小写

**2、re.M(`MULTILINE`)**

说明：多行模式，改变'^'和'$'的行为，详细请见第2点

>>> import re
    >>> a = re.search('^a',"inet\naddr:10.161.146.134",flags=re.M)
    >>> a.group()
    'a'

**3、re.S(`DOTALL`)**

说明：点任意匹配模式，改变'.'的行为

>>> import re
    >>> a = re.search('.+',"inet\naddr:10.161.146.134",flags=re.S)
    >>> a.group()
    'inet\naddr:10.161.146.134'

注意：上面这三种匹配模式，知道就行。

## 七、总结 ##

1、用r''的方式表示的字符串叫做raw字符串，用于抑制转义。  
2、正则表达式使用反斜杆（\\）来转义特殊字符，使其可以匹配字符本身，而不是指定其他特殊的含义。  
3、这可能会和python字面意义上的字符串转义相冲突，这也许有些令人费解，比如，要匹配一个反斜杆本身，你也许要用'\\\\\\\\'来做为正则表达式的字符串，因为正则表达式要是\\\\，而字符串里，每个反斜杆都要写成\\\\。  
4、你也可以在字符串前加上 r 这个前缀来避免部分疑惑，因为 r 开头的python字符串是 raw 字符串，所以里面的所有字符都不会被转义，比如r'\\n'这个字符串就是一个反斜杆加上一字母n，而'\\n'我们知道这是个换行符。因此，上面的'\\\\\\\\'你也可以写成r'\\\\'，这样，应该就好理解很多了。