Kingkk's Blog.

Python 正则表达式 特殊符号和字符

2017/12/04 Share

择一匹配符号: |

In [18]: bt = ‘bat|bet|bit’ #匹配 bat或bet或bit

In [19]: m = re.match(bt,’bat’)

In [20]: if m is not None: print m.group()
bat

In [21]: m = re.match(bt,’bot’) #匹配失败

In [22]: if m is not None: print m.group()

In [23]: m = re.search(bt,’he bit me’)

In [24]: if m is not None: print m.group()
bit

匹配任意单个字符(包括空格,除了换行符\n):.

In [25]: anyend = ‘.end’

In [26]: m = re.match(anyend,’bend’) #匹配任意字符

In [28]: if m is not None:print m.group()
bend

In [29]: m = re.match(anyend,’end’) #不匹配无字符

In [30]: if m is not None:print m.group()

In [31]: m = re.match(anyend,’\nend’) #不匹配换行

In [32]: if m is not None:print m.group()

In [33]: m = re.match(anyend,’ end’) #匹配‘ ’

In [34]: if m is not None:print m.group()
end #end前有一个空格‘ ’

tip:若想搜索真正的点号可以通过 \ 转义

创建字符集: [ ]

例如:[abc]匹配a或b或c中任意一个字符

In [35]: m = re.match(‘[cr][23][dp][o2]‘,’r2d2’) #匹配成功

In [36]: if m is not None: print m.group()
r2d2

In [37]: m = re.match(‘[cr][23][dp][o2]‘,’c3do’)

In [38]: if m is not None: print m.group()
c3do

In [39]: m = re.match(‘[cr][23][dp][o2]‘,’c3eo’) #匹配失败

In [40]: if m is not None: print m.group()

分组

In [41]: m = re.match(‘(\w\w\w)-(\d\d\d)’,’abc-123’)

In [42]: m.group()
Out[42]: ‘abc-123’

In [43]: m.group(1) #子组1
Out[43]: ‘abc’

In [44]: m.group(2) #子组2
Out[44]: ‘123’

In [45]: m.groups() #全部子组,存放与元组中
Out[45]: (‘abc’, ‘123’)

group()通常用于显示所有匹配部分,但也可以用于取各个子组 groups()可以用来获取一个包含所有匹配字符串的元组

In [47]: m = re.match(‘ab’,’ab’) #不存在子组

In [48]: m.group()
Out[48]: ‘ab’

In [49]: m.groups() #不存在子组时无法匹配
Out[49]: ()

In [51]: m = re.match(‘(ab)’,’ab’) #一个子组

In [52]: m.group()
Out[52]: ‘ab’

In [53]: m.group(1)
Out[53]: ‘ab’

In [54]: m.groups()
Out[54]: (‘ab’,)

In [55]: m = re.match(‘(a(b))’,’ab’) #两个嵌套子组

In [56]: m.group()
Out[56]: ‘ab’

In [57]: m.group(1)
Out[57]: ‘ab’

In [58]: m.group(2)
Out[58]: ‘b’

In [59]: m.groups()
Out[59]: (‘ab’, ‘b’)

匹配起始结尾、边界单词

例:(tips该操作符多用于search而不是match)

  • ^form 匹配以form作为起始的字符串
  • form$ 匹配以form为结尾的字符串
  • ^form$ 等价于匹配单个form字符串
  • \b 匹配边界字符串
  • \B 匹配非边界字符串

In [81]: m = re.search(‘^is’,’is a dog’)

In [82]: if m is not None: print m.group()
is

In [83]: m = re.search(‘is$’,’is a dog’)

In [84]: if m is not None: print m.group()

In [85]: m = re.search(‘^dog$’,’is a dog’) # ^ $一起时必须完全匹配

In [86]: if m is not None: print m.group()

In [89]: m = re.search(‘^is a dog$’,’is a dog’)

In [90]: if m is not None: print m.group()
is a dog

前后出现空格或者换行时都属于\b的边界匹配

In [91]: m = re.search(r’\bdog’,’is a dog’) #匹配空格作为边界

In [92]: if m is not None: print m.group()
dog

In [93]: m = re.search(r’\bdog’,’is a\ndog’) #匹配换行符作为边界

In [94]: if m is not None: print m.group()
dog

In [95]: m = re.search(r’\bog’,’is a dog’) #匹配失败

In [96]: if m is not None: print m.group()

In [97]: m = re.search(r’\Bog’,’is a dog’) #\B匹配非边界字符串

In [98]: if m is not None: print m.group()
og

tips:使用r’xxx’的原始字符串避免正则匹配时的转义

脱字符 ^

直接使用表示匹配字符串的起始部分 紧跟在左括号右边表示不匹配给定字符集,例如

  • [^\n] 不匹配换行符
  • [^aeiou]不匹配元音字符

In [11]: re.findall(‘[^aeiou]‘,’abcdefg’)
Out[11]: [‘b’, ‘c’, ‘d’, ‘f’, ‘g’]

拓展符号

**(?iLmsux)**用以标记并实现某些功能:
re.I/IGNORECASE (忽略大小写的匹配)

In [5]: re.findall(r’(?i)yes’,’Yes?yes.Yes!!’) #以(?i)形式表示
Out[5]: [‘Yes’, ‘yes’, ‘Yes’]

In [9]: re.findall(r’(?i)th\w+’,’The?tHoEs.tHat!!’) #匹配th开头且忽略大小写
Out[9]: [‘The’, ‘tHoEs’, ‘tHat’]

re.M/MULTILINE(进行跨行搜索)

In [10]: re.findall(r’(?m)(^th[\w ]+)’,””” #匹配th开头的段落
…: this is first line,
…: another line,
…: that line,it’s the best
…: “””)
Out[10]: [‘this is first line’, ‘that line’]

re.S/DOTALL (使点号 . 可以用来表示换行符\n)

In [12]: re.findall(r’(?s)(th.+)’,””” #成功匹配到\n
…: this is first line,
…: another line,
…: that line,it’s the best
…: “””)
Out[12]: [“this is first line,\nanother line,\nthat line,it’s the best\n”]

re.X/VERBOSE (抑制正则表达式中的空白符,以创建更易读的正则表达式)

tips:空格符可用[ ]等字符类代替,并且可以在正则中通过井号#来注释

In [68]: re.search(r’’’(?x)
…: \((\d{3})\) #区号
…: [ ] #空白符
…: (\d{3}) #前缀
…: - #横线
…: (\d{4}) #终点数字’’’,
…: ‘(800) 555-1212’).groups()
Out[68]: (‘800’, ‘555’, ‘1212’)

(?:)对正则表达式进行分组,但不保存改分组 常用于需要对改分组进行+*等操作,但又不需要将改分组提取的情况

In [11]: m=re.match(r’http://(?:\w+\.)*(\w+\.com)’,’http://code.google.com')

#使用(?:)时,groups中并未出现code

In [12]: m.groups()
Out[12]: (‘google.com’,)

In [13]: m=re.match(r’http://(\w+\.)*(\w+\.com)’,’http://code.google.com')

#未使用(?:)时,groups中出现code

In [14]: m.groups()
Out[14]: (‘code.’, ‘google.com’)

In [2]: re.findall(r’http://(?:\w+\.)*(\w+\.com)’,
…: ‘http://google.com http://www.google.com http://code.google.com') #仅提取域名
Out[2]: [‘google.com’, ‘google.com’, ‘google.com’]

(?P<name>) 使用自定义表示符,而并非1至N递增

(?P=name)用以引用前面的标记匹配。但必须是完全匹配,不是正则匹配。 用\g来使用该分组

In [32]: print re.sub(r’(?P\d{3})-(?P\d{4})-(?P\d{4})’,
…: ‘\g-\g-\g‘,’111-2222-3333’) #分别用first,seond,third标记三个分组,并进行替换
2222-3333-111

In [35]: print re.sub(r’(?P\d{3})-(?P\d{4})-(?P=second)‘,
…: ‘\g-\g-\g‘,’111-2222-2222’) #还可以用(?P=name)用以引用前面的标记匹配
2222-2222-111

In [41]: re.search(r’(?P\d{3})-(?P\d{4})-(?P\d{4})’,’111-2222-3333’).groupdict()
Out[41]: {‘first’: ‘111’, ‘second’: ‘2222’, ‘third’: ‘3333’} #使用groupdict方法,返回一个字典

(?=)正向前视匹配断言

所谓的前视,就是往正则匹配方向的前方,我们所谓的后方进行判断。通过添加一些判断条件,使匹配更加精准。 匹配后续内容等于(?=)中内容的字符串

In [53]: re.findall(r’\w+(?=@google.com)’,’’’ #匹配域名为google.com的用户名
…: host@baidu.com
…: root@google.com
…: user@qq.com
…: admin@google.com
…: ‘’’)
Out[53]: [‘root’, ‘admin’]

(?!)负向前视断言

匹配后续内容不等于(?!)中内容的字符串

In [73]: re.findall(r’(?m)^\w+@(?!google.com)’,’’’ #匹配域名不为google的用户名
…: host@baidu.com
…: root@google.com
…: user@qq.com
…: admin@google.com
…: ‘’’)
Out[73]: [‘host@’, ‘user@’]

非贪婪匹配 ?

贪婪匹配:正则表达式通过从左至右,试图尽可能多的获取匹配字符 通过在 * + 后使用 ?进行非贪婪匹配

In [30]: data =’abcdefg123456789-6-8’ #例如我们仅想提取后面的数字串

In [31]: re.match(‘.+(\d+-\d+-\d+)’,data).group(1) #发现仅提取了最后的9,因为贪婪匹配导致前面几位数被.+所匹配
Out[31]: ‘9-6-8’

In [32]: re.match(‘.+?(\d+-\d+-\d+)’,data).group(1) #在加号 + 后加上问号 ? ,表示对 + 进行非贪婪匹配
Out[32]: ‘123456789-6-8’

CATALOG
  1. 1. 择一匹配符号: |
  2. 2. 匹配任意单个字符(包括空格,除了换行符\n):.
  3. 3. 创建字符集: [ ]
  4. 4. 分组
  5. 5. 匹配起始结尾、边界单词
  6. 6. 脱字符 ^
  7. 7. 拓展符号
    1. 7.1. **(?iLmsux)**用以标记并实现某些功能:
      1. 7.1.1. re.I/IGNORECASE (忽略大小写的匹配)
      2. 7.1.2. re.M/MULTILINE(进行跨行搜索)
      3. 7.1.3. re.S/DOTALL (使点号 . 可以用来表示换行符\n)
      4. 7.1.4. re.X/VERBOSE (抑制正则表达式中的空白符,以创建更易读的正则表达式)
    2. 7.2. (?P<name>) 使用自定义表示符,而并非1至N递增
    3. 7.3. (?=)正向前视匹配断言
    4. 7.4. (?!)负向前视断言
  8. 8. 非贪婪匹配 ?