簡(jiǎn)介

-- 后面有很多習(xí)題，可以先做題目再來(lái)看文章

參考資料：https://docs.python.org/3/howto/index.html

正則表達(dá)式(Regular expressions REs或regexes或regex patterns）本質(zhì)是小的且高度專業(yè)化的編程語(yǔ)言。它嵌入到 Python 中，調(diào)用使用re模塊。需要指定一些規(guī)則來(lái)描述那些你希望匹配的字符串集合。這些字符串集合可能包含英語(yǔ)句子、e-mail地址、TeX 命令，或任何你想要的東東。然后可以提出問(wèn)題，例如“字符串是否匹配該模式？”或“模式是否匹配字符串？”。 您還可以使用RE修改字符串或以各種方式拆分它。

正則表達(dá)式模式被編譯成字節(jié)碼，然后由 C 語(yǔ)言寫(xiě)的匹配引擎執(zhí)行。對(duì)于高級(jí)的使用，你可能需要關(guān)注匹配引擎是如何執(zhí)行給定RE，并通過(guò)一定的方式來(lái)編寫(xiě)RE，以便產(chǎn)生運(yùn)行得更快的字節(jié)碼。

正則表達(dá)式語(yǔ)言小而嚴(yán)格，不是所有的字符處理都可以使用正則表達(dá)式。還有一些任務(wù)，可以使用正則表達(dá)式來(lái)完成，但是表達(dá)式非常復(fù)雜。在這種情況下編寫(xiě) Python 代碼來(lái)處理會(huì)更好些；盡管 Python 代碼比精巧的正則表達(dá)式執(zhí)行起來(lái)會(huì)慢一些，但可能會(huì)更容易理解。

簡(jiǎn)單的模式

字符匹配

大多數(shù)字母和字符會(huì)匹配它們自身。舉個(gè)例子，正則表達(dá)式test將完全匹配字符串test(你可以啟用不區(qū)分大小寫(xiě)模式，該正則表達(dá)式可以匹配Test或TEST)。

這條規(guī)則有例外; 有些字符是特殊的元字符，不匹配自身。 相反，它們匹配一些與眾不同的東西，或者通過(guò)重復(fù)它們或改變它們的含義來(lái)影響RE的其他部分。

這是元字符的完整列表

#!python
. ^ $ * + ? { } [ ] \ | ( )

方括號(hào) [ ]指定用于存放你需要匹配的字符集合。例如 [abc] 會(huì)匹配字符 a，b 或 c；[a-c] 可以實(shí)現(xiàn)相同功能。后者使用范圍來(lái)表示與前者相同的字符集合。如果你想只匹配小寫(xiě)字母，你的 RE 可能寫(xiě)成 [a-z]。

注意方括號(hào)元字符在中不會(huì)觸發(fā)特殊功能例如 [akm'。

你還可以匹配方括號(hào)中未列出的所有其它字符，開(kāi)頭添加 ^即可，例如 [^5] 會(huì)匹配除了 '5' 之外的任何字符。

元字符轉(zhuǎn)義：前面加上一個(gè)反斜杠，以消除它們的特殊功能：[，\ 。

反斜杠后邊跟一些字符還可以表示特殊的意義，例如表示十進(jìn)制數(shù)字，表示所有的字母或者表示非空白的字符集合。

讓我們來(lái)舉個(gè)例子：\w 匹配任何單詞字符。如果正則表達(dá)式以字節(jié)的形式表示，這相當(dāng)字符類 [a-zA-Z0-9_]；如果正則表達(dá)式是一個(gè)字符串，\w 會(huì)匹配所有 Unicode 數(shù)據(jù)庫(kù)（unicodedata 模塊提供）中標(biāo)記為字母的字符。你可以在編譯正則表達(dá)式的時(shí)候，通過(guò)提供 re.ASCII 表示進(jìn)一步限制 \w 的定義。

批注：re.ASCII 標(biāo)志使得 \w 只能匹配 ASCII 字符，不要忘了，Python3 是 Unicode 的。

下邊列舉一些反斜杠加字符構(gòu)成的特殊含義：

例如 [\s,.] 匹配任何空白字符（/s 的特殊含義），',' 或 ‘.’ 。

轉(zhuǎn)義字符：

\a      \b      \f      \n
\r      \t      \u      \U
\v      \x      \\

'.'匹配除了換行符以外的任何字符。如果設(shè)置re.DOTALL,它將匹配包括換行在內(nèi)的任何字符。

重復(fù)

'*' : 指定前一個(gè)字符匹配零次或者多次。

例如ca*t將匹配 ct(0 個(gè) a)，cat（1 個(gè)字符 a），caaat（3 個(gè)字符 a），等等。需要注意的是，由于受到 C 語(yǔ)言的 int 類型大小的內(nèi)部限制，正則表達(dá)式引擎會(huì)限制字符 'a' 的重復(fù)個(gè)數(shù)不超過(guò) 20 億個(gè)；不過(guò)，通常我們工作也用不到那么大的數(shù)據(jù)，你未必有這么大的內(nèi)存。

默認(rèn)的是貪婪的，當(dāng)你重復(fù)匹配一個(gè) RE 時(shí)，匹配引擎會(huì)嘗試盡可能多的去匹配。直到RE不匹配或者到了結(jié)尾，匹配引擎就會(huì)回退一個(gè)字符，然后再繼續(xù)嘗試。

表達(dá)式 a[bcd]*b，首先需要匹配字符 'a'，然后零個(gè)到多個(gè) [bcd]，最后以 'b' 結(jié)尾。那現(xiàn)在想象一下，這個(gè) RE 匹配字符串 abcbd 會(huì)怎樣？

另一個(gè)實(shí)現(xiàn)重復(fù)的元字符是 +，用于指定前一個(gè)字符匹配一次或者多次。

要特別注意 * 和 + 的區(qū)別：* 匹配的是零次或者多次，所以被重復(fù)的內(nèi)容可能壓根兒不會(huì)出現(xiàn)；+ 至少需要出現(xiàn)一次。例如 ca+t 會(huì)匹配 cat 和 caaat，但不會(huì)匹配 ct 。

還有兩個(gè)表示重復(fù)的元字符，一個(gè)是問(wèn)號(hào)?: 字符匹配零次或者一次。

元字符 {m,n}（m 和 n 都是十進(jìn)制數(shù)），必須匹配 m 次到 n 次之間。例如 a/{1,3}b 會(huì)匹配 a/b，a//b 和 a///b 。但不會(huì)匹配 ab(沒(méi)有斜杠)；也不會(huì)匹配 a////b(斜杠超過(guò)三個(gè))。

你可以省略 m 或者 n，這樣的話，引擎會(huì)用合理的值代替。 m默認(rèn)為0；n 默認(rèn)為 20 億。

{0,}跟’*‘ 是一樣的；{1,}跟‘+’是一樣的；{0,1} 跟？是一樣的。不過(guò)還是鼓勵(lì)大家記住并使用 * 、+ 和 ?，因?yàn)檫@些字符更短并且更容易閱讀。

習(xí)題

1, 下面那些不是python3正則表達(dá)式的元字符：

A $ B - C * D ？ E /

參考答案：B E

2,python3正則表達(dá)式r'\bfoo\b'匹配下面哪些字符串

A 'foo' B 'foo.' C '(foo)' D 'bar foo baz' E 'foobar' F 'foo3'

參考答案：A B C D

3,python3正則表達(dá)式r'\bfoo\b'匹配下面哪些字符串

A 'foo，' B 'foo。' C '(foo！' D 'bar foo baz' E 'foobar' F 'foo3'

參考答案：A B C D

4，下面python3正則表達(dá)式元字符的描述哪些是錯(cuò)誤的。
A. 默認(rèn)\w不能匹配漢字
B. 默認(rèn)\w能匹配漢字
C. 默認(rèn).能匹配換行符
D. 默認(rèn).不能匹配換行符

參考答案：A C

使用正則表達(dá)式

Python通過(guò)re模塊提供正則表達(dá)式支持，并可將正則表達(dá)式編譯成對(duì)象，用它們來(lái)進(jìn)行匹配。

編譯正則表達(dá)式

正則表達(dá)式編譯為模式對(duì)象，該對(duì)象擁有各種方法，如查找模式匹配或者執(zhí)行字符串替換。

>>> import re
>>> p = re.compile('ab*')
>>> p
re.compile('ab*')

re.compile()也接受可選的flags 參數(shù)，用于開(kāi)啟各種特殊功能和語(yǔ)法變化。

簡(jiǎn)單的例子：

>>> p = re.compile('ab*', re.IGNORECASE)

正則表達(dá)式作為字符串參數(shù)傳給 re.compile() 。由于正則表達(dá)式并不是 Python語(yǔ)言的核心部分，因此沒(méi)有為它提供特殊的語(yǔ)法支持，所以正則表達(dá)式只能以字符串的形式表示。

原始字符串

'\section' 要用'\\section'表示。不巧，Python 字符串也使用 '\' 表示字符 ''。原始字符串則方便得多：r"\section"即可。

匹配

模式對(duì)象的常用方法：

如果沒(méi)有找到任何匹配的話，match() 和 search() 會(huì)返回 None；如果匹配成功，則會(huì)返回匹配對(duì)象（match object），包含所有匹配的信息：例如從哪兒開(kāi)始，到哪兒結(jié)束，匹配的子字符串等等。

python自帶了正則表達(dá)式調(diào)試工具redemo.py：

圖片.png

實(shí)例：

>>> import re
>>> p = re.compile('[a-z]+')
>>> p
re.compile('[a-z]+')
>>> p.match("")
>>> print(p.match(""))
None
>>> m = p.match('tempo')
>>> m
<re.Match object; span=(0, 5), match='tempo'>
>>> m.group()
'tempo'
>>> m.start(), m.end()
(0, 5)
>>> m.span()
(0, 5)

匹配對(duì)象包含了很多方法和屬性，以下幾個(gè)是最重要的：

match的start總是0，search() 方法則不一定了：

>>> print(p.match('::: message'))
None
>>> m = p.search('::: message'); print(m)
<re.Match object; span=(4, 11), match='message'>
>>> m.group()
'message'
>>> m.span()
(4, 11)

在實(shí)際應(yīng)用中，最常用的方法是將匹配對(duì)象存放在局部變量中，并檢查其返回值是否為 None 。

p = re.compile( ... )
m = p.match( 'string goes here' )
if m:
    print('Match found: ', m.group())
else:
    print('No match')

有兩個(gè)方法可以返回所有的匹配結(jié)果，一個(gè)是 findall()，一個(gè)是 finditer() 。

findall() 返回的是一個(gè)列表：

>>> p = re.compile(r'\d+')
>>> p.findall('12 drummers drumming, 11 pipers piping, 10 lords a-leaping')
['12', '11', '10']

而 finditer() 則是將匹配對(duì)象作為迭代器返回：

>>> iterator = p.finditer('12 drummers drumming, 11 ... 10 ...')
>>> iterator  
<callable_iterator object at 0x...>
>>> for match in iterator:
...     print(match.span())
...
(0, 2)
(22, 24)
(29, 31)

模塊級(jí)函數(shù)

re 模塊同時(shí)還提供了一些全局函數(shù)，例如 match()，search()，findall()，sub() 等。這些函數(shù)跟模式對(duì)象同名方法一樣，只是增加了為正則表達(dá)式字符串的第一個(gè)參數(shù)。

>>> print(re.match(r'From\s+', 'Fromage amk'))
None
>>> re.match(r'From\s+', 'From amk Thu May 14 19:12:10 1998')  
<re.Match object; span=(0, 5), match='From '>

這些函數(shù)幫你自動(dòng)創(chuàng)建模式對(duì)象，并調(diào)用相關(guān)的函數(shù)。它們還將編譯好的模式對(duì)象存放在緩存中，以便將來(lái)可以快速地直接調(diào)用。

在循環(huán)中大量的使用正則表達(dá)式，預(yù)編譯的話可以節(jié)省一些函數(shù)調(diào)用，用模式的方法更好。但如果是循環(huán)外部，因?yàn)橛袃?nèi)部緩存機(jī)制，兩者效率相差無(wú)幾。

編譯標(biāo)識(shí)

編譯標(biāo)識(shí)可修改正則表達(dá)式的工作方式。在 re 模塊下，編譯標(biāo)識(shí)均有完整名和簡(jiǎn)寫(xiě)，例如 IGNORECASE 簡(jiǎn)寫(xiě)是 I。

下面我們來(lái)詳細(xì)講解一下它們的含義：

• I

IGNORECASE

不區(qū)分大小寫(xiě)。舉個(gè)例子，正則表達(dá)式[a-z] 或[A-Z]會(huì)匹配對(duì)應(yīng)的小寫(xiě)字母會(huì)匹配52個(gè)ASCII字母。還有4個(gè)非ASCII字母：'?'(U + 0130，拉丁大寫(xiě)字母I上面帶點(diǎn))，'?'(U + 0131，拉丁文小寫(xiě)字母無(wú)點(diǎn)i)，'s'(U + 017F，拉丁文小 字母長(zhǎng)s)和'K'(U + 212A，開(kāi)爾文標(biāo)志)。 Spam 將匹配'Spam'，'spam'，'spAM'或'?pam'（后者僅在Unicode模式下匹配）。 此小寫(xiě)不考慮當(dāng)前區(qū)域設(shè)置; 如果您還設(shè)置了LOCALE標(biāo)志，它也會(huì)。

• L

LOCALE

使得 \w，\W，\b 和 \B和大小寫(xiě)依賴當(dāng)前的語(yǔ)言(區(qū)域)環(huán)境，而不是 Unicode 數(shù)據(jù)庫(kù)。

區(qū)域設(shè)置是 C 語(yǔ)言的功能，主要作用是消除不同語(yǔ)言之間的差異。例如你正在處理的是法文文本，你想使用 \w+ 來(lái)匹配單詞，但是 \w 只是匹配 [A-Za-z] 中的單詞，并不會(huì)匹配那些法文特殊符號(hào)。python3已經(jīng)推薦使用Unicode，不建議使用LOCALE。

• M

MULTILNE

通常 ^ 只匹配字符串的開(kāi)頭，而 $ 匹配字符串的結(jié)尾。該標(biāo)識(shí)設(shè)置時(shí)，^ 不僅匹配字符串的開(kāi)頭，還匹配行首；$ 不僅匹配字符的結(jié)尾，還匹配行尾。

• S

DOTALL

. 可以匹配任何字符，包括換行符。如果不使用這個(gè)標(biāo)志，. 將匹配除換行的所有字符。

• A

ASCII
使得 \w，\W，\b，\B，\s 和 \S 只匹配 ASCII 字符，而不是全Unicode匹配。這個(gè)標(biāo)識(shí)僅對(duì)Unicode模式有意義，并忽略字節(jié)模式。

• X

VERBOSE

這個(gè)標(biāo)識(shí)使你的正則表達(dá)式可以寫(xiě)得更可讀靈活，空格會(huì)被忽略(除了出現(xiàn)在字符類中和使用反斜杠轉(zhuǎn)義的空格)；同時(shí)允許你在正則表達(dá)式字符串使用注釋，# 符號(hào)后邊的內(nèi)容是注釋(除了出現(xiàn)在字符類中和使用反斜杠轉(zhuǎn)義的 #)。

下邊是使用 re.VERBOSE 的例子，：

charref = re.compile(r"""
 &[#]                # Start of a numeric entity reference
 (
     0[0-7]+         # Octal form
   | [0-9]+          # Decimal form
   | x[0-9a-fA-F]+   # Hexadecimal form
 )
 ;                   # Trailing semicolon
""", re.VERBOSE)

# 沒(méi)有注釋

charref = re.compile("&#(0[0-7]+"
                     "|[0-9]+"
                     "|x[0-9a-fA-F]+);")

參考資料

• 討論qq群144081101 591302926 567351477 釘釘免費(fèi)群21745728
• 本文最新版本地址
• 本文涉及的python測(cè)試開(kāi)發(fā)庫(kù) 謝謝點(diǎn)贊！
• 本文相關(guān)海量書(shū)籍下載
• 本文源碼地址

習(xí)題

1，下面關(guān)于python3 正則模式的說(shuō)哪些是錯(cuò)誤的？

A. match() 可以返回多個(gè)匹配
B. search() 必須從開(kāi)頭開(kāi)始匹配
C. findall() 以迭代器的形式返回
D. finditer() 以列表的形式返回

答案：ABCD

2，python3 正則表達(dá)式re.compile('spam', re.IGNORECASE)匹配哪些字符串？
A.'Spam' B. 'spam' C. 'spAM' D. '?pam' E.'pam'

答案：ABCD

更多關(guān)于模式

更多元字符

• I

或操作符，對(duì)兩個(gè)正則表達(dá)式進(jìn)行操作。如果 A 和 B 是正則表達(dá)式，A | B 會(huì)匹配 A 或 B 中出現(xiàn)的任何字符。為了能夠更加合理的工作，| 的優(yōu)先級(jí)非常低。例如 Crow|Servo匹配'Crow'或'Servo',，而不是匹配'Cro'、 'w' 、'S'、'ervo'.。

同樣，我們使用 | 來(lái)匹配 '|' 字符本身；或者包含在一個(gè)字符類中，像這樣 [|] 。

• ^

匹配字符串開(kāi)始。在 MULTILNE 中，每當(dāng)遇到換行符就會(huì)立刻進(jìn)行匹配。如果你只希望匹配位于字符串開(kāi)頭的單詞 From，那么你的正則表達(dá)式可以寫(xiě)為 ^From

>>> print(re.search('^From', 'From Here to Eternity'))  
<re.Match object; span=(0, 4), match='From'>
>>> print(re.search('^From', 'Reciting From Memory'))
None

• $

匹配字符串的結(jié)束和行尾。

>>> print(re.search('}$', '{block}'))  
<re.Match object; span=(6, 7), match='}'>
>>> print(re.search('}$', '{block} '))
None
>>> print(re.search('}$', '{block}\n'))  
<re.Match object; span=(6, 7), match='}'>

• A

匹配字符串開(kāi)始，如果沒(méi)有設(shè)置 MULTILINE 標(biāo)志的時(shí)候，\A 和 ^ 的功能是一樣的；但如果設(shè)置了 MULTILNE 標(biāo)志， ^ 會(huì)對(duì)字符串的每一行都進(jìn)行匹配。

• Z

匹配字符串的結(jié)束。

• b

單詞邊界，這是只匹配單詞的開(kāi)始和結(jié)尾的零寬斷言。單詞定義為字母數(shù)字的序列，所以單詞的結(jié)束指的是空格或者非字母數(shù)字的字符。

>>> p = re.compile(r'\bclass\b')
>>> print(p.search('no class at all'))
<re.Match object; span=(3, 8), match='class'>
>>> print(p.search('the declassified algorithm'))
None
>>> print(p.search('one subclass is'))
None

在使用這些特殊的序列的時(shí)候，有兩點(diǎn)是需要注意的：第一是Python 的字符串跟正則表達(dá)式在有些字符上是有沖突的。比如說(shuō)在 Python 中，\b 表示的是退格符，ASCII 碼值是 8。

下邊例子中，我們故意不寫(xiě)表示原始字符串的 'r'，結(jié)果確實(shí)大相庭徑：

>>> p = re.compile('\bclass\b')
>>> print(p.search('no class at all'))
None
>>> print(p.search('\b' + 'class' + '\b'))
<re.Match object; span=(0, 7), match='\x08class\x08'>

第二點(diǎn)是在字符類中不能使用這個(gè)斷言。在字符類中，\b 只是用來(lái)表示退格符。

• \B

與 \b 的含義相反，\B 表示非單詞邊界的位置。

分組

僅僅知道正則表達(dá)式是否匹配是不夠的，正則表達(dá)式通常使用分組的方式分別對(duì)不同內(nèi)容進(jìn)行匹配。

下例子將 RFC-822 頭用 “:” 號(hào)分成名字和值：

From: author@example.com
User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
MIME-Version: 1.0
To: editor@example.com

先用正則表達(dá)式匹配整個(gè)RFC-822頭，使用一個(gè)組來(lái)匹配頭的名字，另一個(gè)組匹配名字對(duì)應(yīng)的值。

正則表達(dá)式使用元字符'(', ')' 來(lái)劃分組。'(', ')' 元字符跟數(shù)學(xué)表達(dá)式中的小括號(hào)含義差不多；它們將包含在內(nèi)部的表達(dá)式組合在一起，所以你可以對(duì)組的內(nèi)容使用重復(fù)操作的元字符，例如 *，+，? 或者 {m,n} 。

>>> p = re.compile('(ab)*')
>>> print(p.match('ababababab').span())
(0, 10)

用'（'，'）'表示的組也捕獲它們匹配的文本的起始和結(jié)束索引; 這可以通過(guò)將參數(shù)傳遞給ggroup()，start()，end() 和 span() 來(lái)檢索。 組從0開(kāi)始編號(hào)。組0始終存在; 它是整個(gè)RE，因此匹配對(duì)象方法都將組0作為其默認(rèn)參數(shù)。

>>> p = re.compile('(a)b')
>>> m = p.match('ab')
>>> m.group()
'ab'
>>> m.group(0)
'ab'

子組從左到右進(jìn)行編號(hào)，子組也允許嵌套，我們可以通過(guò)從左往右來(lái)統(tǒng)計(jì)左括號(hào) ( 來(lái)確定子組的序號(hào)。

>>> p = re.compile('(a(b)c)d')
>>> m = p.match('abcd')
>>> m.group(0)
'abcd'
>>> m.group(1)
'abc'
>>> m.group(2)
'b'

group() 方法可傳入多個(gè)子組的序號(hào)：

>>> m.group(2,1,2)
('b', 'abc', 'b')

groups() 方法一次性返回所有的子組匹配的字符串：

>>> m.groups()
('abc', 'b')

反引用可以在后面的位置使用先前匹配過(guò)的內(nèi)容，用法是反斜杠加上數(shù)字。例如 \1 表示引用前邊成功匹配的序號(hào)為 1 的子組。

>>> p = re.compile(r'\b(\w+)\s+\1\b')
>>> p.search('Paris in the the spring').group()
'the the'

習(xí)題

1, python3正則表達(dá)式compile('Crow|Servo')匹配哪些內(nèi)容：

A 'Crow' B 'foo。' C Servw' D 'Cro' E 'Serv' F 'Servo'

參考答案：A F

2, python3正則表達(dá)式要匹配'|'，可以采用如下哪些方法：

A '||' B '|' C '[|]' D '$|'

參考答案：B C

3,關(guān)于python3正則表達(dá)式，下面哪些說(shuō)法是正確的

A re.findall(r'^From', 'From Here to Eternity\nFrom', re.MULTILINE) 返回長(zhǎng)度為2的列表
B re.findall(r'^From', 'From Here to Eternity\nFrom') 返回長(zhǎng)度為2的列表
C re.findall(r'^From', ' From Here to Eternity\nFrom', re.MULTILINE) 返回長(zhǎng)度為2的列表
D re.findall(r'\bFrom', ' From Here to Eternity\nFrom', re.MULTILINE) 返回長(zhǎng)度為2的列表

參考答案：A D

4,關(guān)于python3正則表達(dá)式，下面哪些說(shuō)法是正確的

A re.search(r'\bclass\b', 'no class at all')能成功匹配
B re.search('\bclass\b', 'no class at all')能成功匹配
C re.search(r'\bclass\b', 'no class at all')不能能成功匹配
D re.search('\bclass\b', 'no class at all')不能成功匹配

參考答案：A D

待整理： notepad++ 正則 http://docs.notepad-plus-plus.org/index.php/Regular_Expressions