第16章 正则表达式
第16章 正则表达式
16.1 什么是正则表达式
正则表达式（regular expression，常简写为 regex、regexp 或 re），是一种用于匹配和操作文本的强大工具，它是由一系列字符和特殊字符组成的模式，用于描述要匹配的文本模式。正则表达式可以在文本中查找、替换、提取和验证特定的模式。
16.2 re 模块
Python 的re模块提供了正则表达式匹配操作。
importrere模块中提供了一些方法用于查找或处理字符串。
16.2.1 search
re.search(pattern,string)扫描整个string查找正则表达式pattern产生匹配的第一个位置，并返回相应的Match。如果字符串中没有与模式匹配的位置则返回None。
16.2.2 match
re.match(pattern,string)如果string开头的零个或多个字符与正则表达式pattern匹配，则返回相应的Match。如果字符串与模式不匹配则返回None。
16.2.3 findall
re.findall(pattern,string)返回pattern在string中的所有非重叠匹配，以字符串列表或字符串元组列表的形式。对string的扫描从左至右，匹配结果按照找到的顺序返回。空匹配也包括在结果中。
16.2.4 sub
re.sub(pattern,repl,string,count=0)返回通过使用repl替换在string最左边非重叠出现的pattern而获得的字符串。如果样式没有找到，则不加改变地返回string。
repl可以是字符串或函数。- 如果
repl是一个函数，则它会针对每次pattern的非重叠出现的情况被调用。该函数接受单个Match参数，并返回替换字符串。 - 可选参数
count是要替换的最大次数；如果省略或设为 0，所有的匹配都会被替换。
16.2.5 split
re.split(pattern,string,maxsplit=0)用pattern分开string。如果在pattern中捕获到括号，那么所有的组里的文字也会包含在列表里。如果maxsplit非零，最多进行maxsplit次分隔，剩下的字符全部返回到列表的最后一个元素。
16.3 表示字符
| 字符 | 描述 |
|---|---|
. | 匹配除\r、\n之外的任何单个字符。要匹配包括\r、\n在内的任何字符，请使用像 `(. |
\d | 匹配一个数字字符。等价于[0-9]。 |
\D | 匹配一个非数字字符。等价于[^0-9]。 |
\w | 匹配包括下划线的任何单词字符。等价于[A-Za-z0-9_]，注意 Unicode 正则表达式会匹配中文字符。 |
\W | 匹配任何非单词字符。等价于[^A-Za-z0-9_]。 |
\s | 匹配任何空白字符，包括空格、制表符、换页符等。等价于[ \f\n\r\t\v]。 |
\S | 匹配任何非空白字符。等价于[^ \f\n\r\t\v]。 |
[xyz] | 匹配所包含的任意一个字符。如[abc]可以匹配 “plain” 中的 “a”。 |
[^xyz] | 匹配未列出的任意字符。 |
[a-z] | 字符范围。匹配在 Unicode 编码表指定范围内的任意字符。 |
16.4 表示数量
| 字符 | 描述 |
|---|---|
* | 匹配前面的子表达式零次或多次。等价于{0,}。 |
+ | 匹配前面的子表达式一次或多次。等价于{1,}。 |
? | 匹配前面的子表达式零次或一次。等价于{0,1}。 |
{n} | n 是一个非负整数。匹配确定的 n 次。 |
{n,} | 至少匹配 n 次。 |
{n,m} | 其中 n<=m。最少匹配 n 次且最多匹配 m 次。 |
?（非贪心） | 当该字符紧跟在任何一个其他重复修饰符后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串。例如对于字符串 “oooo”，o+?将匹配单个 “o”，而o+将匹配所有 “o”。 |
16.5 表示边界
| 字符 | 描述 |
|---|---|
^ | 匹配字符串的开始位置。 |
$ | 匹配字符串的结束位置。 |
\b | 匹配一个单词边界，也就是指单词和空格间的位置。 |
\B | 匹配非单词边界。 |
16.6 匹配分组
| 字符 | 描述 |
|---|---|
x|y | 匹配 x 或 y |
(pattern) | 匹配 pattern 并获取这一匹配的子字符串。 |
(?P<name> pattern) | 与常规的圆括号类似，但分组所匹配到了子字符串可通过符号分组名称 name 来访问。 |
(?P=name) | 引用一个命名组合。 |
\num | 向后引用一个子字符串，该子字符串与正则表达式的第 num 个用括号围起来的子表达式匹配。例如：(.)\1匹配两个连续的相同字符。 |
注意：
. ^ $ * + ? { } [ ] \ | ( )属于元字符。这两个元字符[和]用于指定一个字符类。元字符（除了\）在字符类中是不起作用的。例如，[akm$]将会匹配 ‘a’, ‘k’, ‘m’ 或 ‘$’。
16.7 原始字符串
Python 中字符串前面加上r表示原始字符串，忽略转义。原始字符串非常适合用于正则表达式，因为正则表达式中通常包含很多反斜杠（例如\d或\w），使用原始字符串可以避免反斜杠带来的转义问题。
importre text="abcdef123456"print(re.search(r"\w+",text))print(re.search("\w+",text))# SyntaxWarning: invalid escape sequence '\w'不使用原始字符串虽然也能运行，但是会有语法警告。
16.8 案例
16.8.1 匹配电话号码
importre test=["13812345678",# 合法"11456817239",# 非法"19912345678",# 合法"17138412356",# 合法"1234567890",# 非法"14752345673",# 合法"1800123456",# 非法]# 以1开头，第二位为3，4，5，7，8，9，后面是9位数字pattern=r"^1[345789]\d{9}$"foriintest:print(f"{i:20}{'合法'ifre.match(pattern,i)else'非法'}")16.8.2 匹配邮箱
importre test=["example@example.com","user.name@subdomain.example.co","username@.com","@missingusername.com","-dasd@qq.com",]# 匹配邮箱pattern=r"[\w!#$%&'*+-/=?^`{|}~.]+@[\w!#$%&'*+-/=?^`{|}~.]+\.[a-zA-Z]{2,}$"foriintest:print(f"{i:40}{'合法'ifre.match(pattern,i)else'非法'}")16.8.3 匹配 0-255 之间的数字
importre test=["0","9","50","100","199","200","255","256","-1","01","001"]# 十位为1-9，?表示可以没有十位，个位是0-9# 或 百位是1，十位是0-9，个位是0-9# 或 百位是2，十位是0-4，个位是0-9# 或 百位是2，十位是5，个位是0-5pattern=r"^([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])$"fornumintest:print(f"{num:5}{'合法'ifre.match(pattern,num)else'非法'}")16.8.4 从标签中获取网址
importre test="""<link rel="alternate" hreflang="zh" href="https://zh.wikipedia.org/wiki/正则表达式"> <link rel="alternate" hreflang="zh-Hans" href="https://zh.wikipedia.org/zh-hans/正则表达式"> <link rel="alternate" hreflang="zh-Hant" href="https://zh.wikipedia.org/zh-hant/正则表达式">"""# 获取所有href中网址pattern=r'href="(.+?)"'foriinre.findall(pattern,test):print(i)16.8.5 替换文本中的所有数字为对应的词
importre test="I have 2 apples and 3 oranges."# 定义数字到词的映射num_map={"1":"one","2":"two","3":"three","4":"four","5":"five"}print(re.sub(r"\d",lambdax:num_map[x.group(0)],test))# I have two apples and three oranges.