Python中的re模塊--正則表達式

使用match從字符串開頭匹配

以匹配國內手機號為例，通常手機號為11位复唤，以1開頭像樊。大概是這樣13509094747倡蝙，（這個號碼是我隨便寫的，請不要撥打）踢步，我們通常還能看到其他美觀的顯示形式癣亚。

• 135-0909-4747
• 135 0909 4747

前三位由運營商規(guī)定，這里我們不考慮获印。

如何使用正則表達式匹配類似上面的手機號呢述雾？

import re
 
result = re.match('\d\d\d-\d\d\d\d-\d\d\d\d', '135-0909-4747')
print(result)

\d表示匹配一個數(shù)字。于是上面的寫法可以匹配兼丰，但是打印的內容是這樣的

# out
<_sre.SRE_Match object; span=(0, 13), match='135-0909-4747'>

沒有出現(xiàn)None說明匹配成功了玻孟，字符范圍[0, 13]，十一位的手機號加上兩位分隔符-剛好13位鳍征。match里顯示了匹配成功的字符串黍翎。這樣的結果并不直觀。

使用result.group()即可提取出match里面的內容蟆技。并且是str類型玩敏，更方便我們處理。

...
print(result.group()) # out: 135-0909-4747

上面的寫法還是太臃腫质礼，result = re.match('\d{3}-\d{4}-\d{4}', '135-0909-4747')旺聚，這種寫法和上面等價。{}里面的次數(shù)表示要匹配的次數(shù)眶蕉。當然里面可以填區(qū)間砰粹，區(qū)間是閉區(qū)間，包含左右的數(shù)字。比如

• \d{3,} 匹配數(shù)字3或者3次以上
• \d{,9} 匹配數(shù)字0次~9次之間
• \d{2,4}匹配數(shù)字2次~4次之間

一定要注意碱璃，填入?yún)^(qū)間的時候弄痹，逗號左右都沒有空格。

如果一個規(guī)則我們經(jīng)常要用到嵌器，可以使用re.compile編譯成一個pattern object對象肛真。像這樣

import re
 
phone_p = re.compile('\d{3}-\d{4}-\d{4}')
result = re.match(phone_p, '135-0909-4747')
print(result)
# result = phone_p.match('135-0909-4747')
# print(result)

phone_p是一個對象，可以用它直接調用match方法爽航，直接填入要匹配的字符串就好了蚓让。就像上面被注釋掉的地方一樣。也可以使用re.match讥珍，不同的是历极，第一個參數(shù)需要填上這個模式對象，第二個參數(shù)才是要匹配的字符串衷佃。兩種方法得到的結果一樣趟卸，喜歡哪種用哪種。

使用search搜尋字符串中可能存在的匹配

re還有一個serach方法氏义，和match用法極其相似锄列。唯有不同的是，match要求匹配必須從字符串的開頭開始觅赊，也就是說右蕊，如果第一個字符就不匹配，后面即使有和模式匹配的字符串吮螺，也被認為是匹配失敗饶囚。這么說不好理解。舉個例子鸠补，還是手機號萝风。

import re
 
phone_p = re.compile('\d{3}-\d{4}-\d{4}')
result = re.match(phone_p, 'Bob 135-0909-4747')
print(result)

在手機號前加了機主姓名，我們可以看到紫岩，后面還是以前的手機沒有變规惰，按理說這個模式應該能提取出手機號，但是打印的卻是None泉蝌，因為使用的是match匹配歇万，模式中要求是3個數(shù)字打頭，然后給出的字符串以字母開始勋陪。第一個字符就掛掉了贪磺。所以說match是從字符的開頭匹配的。

再看看search呢诅愚？

只需將match改成search寒锚，輸出<_sre.SRE_Match object; span=(4, 17), match='135-0909-4747'>表示匹配成功，字符范圍[4:17]，不含17刹前∮靖常可以看到search搜尋字符串里所有可能的情況，一旦發(fā)現(xiàn)有匹配的子字符串就返回喇喉。

為了加深理解祖今，再看這樣的例子

import re
# 注意多了個^
phone_p = re.compile('^\d{3}-\d{4}-\d{4}')
result = re.search(phone_p, 'Bob 135-0909-4747')
print(result) # None

再模式的最前面加上^表示匹配開始的標志，即必須以^后的內容開頭拣技，在這句里的意思就是必須以3個數(shù)字開頭（而不是1個衅鹿，\d{3}是一個整體）」В可以看到，即使是search方法也不能匹配成功了制妄。因被強制從字符串開頭處開始匹配掸绞，這句的意思不就和和使用match方法達到同樣的效果了嗎？

說到^就不得不提$耕捞，后者是匹配結束的標志衔掸，必須以$前的字符結尾。

import re
 
phone_p = re.compile('^\d{3}-\d{4}-\d{4}$')
# 不小心在開頭或者結尾多輸入了一位
result = re.search(phone_p, '135-0909-47475') # or 1135-0909-4747
print(result) # None

顯然結是4個數(shù)字結尾（或不是3個數(shù)字開頭）俺抽，返回None敞映。

這句模式限制了必須是11位的數(shù)字加分隔符組成。多一位少一位都不行磷斧。

還有一個地方要注意振愿，不管是match還是search，即使可能存在多個正確的匹配弛饭，它們找到第一個后就立即停止冕末，所有我們得到的永遠是第一個成功匹配的字符串。

import re
 
phone_p = re.compile('\d{3}-\d{4}-\d{4}')
result = re.search(phone_p, 'My phone number is 135-0909-4747 and another is 123-4567-8901')
print(result) # 135-0909-4747

找到第一個手機號就不在匹配了侣颂，第二個手機號被忽略了档桃。

使用findall找到所有成功的匹配

上面的例子，如何找到所有的手機號呢憔晒？用re.findall藻肄，它返回所有成功匹配字符串的列表.

import re
 
phone_p = re.compile('\d{3}-\d{4}-\d{4}')
result = re.findall(phone_p, 'My phone number is 135-0909-4747 and another is 123-4567-8901')
print(result)

僅是將search換成findall，會打印['135-0909-4747', '123-4567-8901']可以看到拒担，所有的手機號都被找到了嘹屯！

在正則表達式中盡量使用原始字符串

由于正則表達式中經(jīng)常要用到\，而轉義字符可能影響到我們的模式表達澎蛛。

p = re.compile('gg\\d')
p_1 = re.compile('gg\d')
 
print('\d') # \d
print('\\d') # \d

上面的例子抚垄，打印結果都一樣\d，因為\d沒有對應的轉義。兩種模式的寫法也沒有區(qū)別呆馁。

但是有些字符是可以轉義的桐经，比如n。

print('\n') # 換行
print('\\n') # \n

上面例子浙滤，結果就不一樣了阴挣。又回到正則表達式中來

p_0 = re.compile('gg\n') # 匹配'gg\n', \n換行
p_1= re.compile('gg\\n') # 匹配'gg\n'， \n換行
# 使用了原始字符串
p_2 = re.compile(r'gg\n') # 匹配'gg\n'纺腊，\n換行
p_3 = re.compile(r'gg\\n') # 匹配'gg\\n', \n字符串

可以看到?jīng)]有使用原始字符串時候畔咧，會讓人迷惑，上述前兩行揖膜，兩種匹配模式匹配的都是gg和一個換行符誓沸。使用了原始字符串就比較清楚了，待匹配的字符串（就不要再使用原始字符串了）壹粟，和模式對應起來了拜隧，不會混淆，如上述的最后兩行代碼趁仙。

當然打印的時候又會有些不一樣

print('gg\\n') # gg\n
print('gg\n') # gg換行
print(r'gg\n') # gg\n
print(r'gg\\n') # gg\\n

打印時洪添，原始字符串完全忽略了\對字符的轉義，字符串里是啥樣雀费，打印出來就是啥樣干奢。

在正則表達式里面的原始字符串（對\還是有一定程度的影響）和打印時候的原始字符串還時有點差別的。

原始字符串在處理文件路徑時相當有用盏袄。

# 這么寫不對忿峻，會被轉義，結果就是路徑錯了
filepath = 'F:\nb\person\a.txt'
# 保險一點的做法,用\\將自身轉義辕羽，表示真正意義上的'\'炭菌，
filepath = 'F:\\nb\person\\a.txt'
# 使用原始字符串
filepath = r'F:\nb\person\a.txt'

當然了，直接用Linux/OS X的路徑方式在Windows上貌似也是可以的逛漫。直接遠離了轉義字符的困擾黑低。

filepath = 'F:/nb/person/a.txt'

也可以運行成功，沒問題酌毡。

討論了這么多其實就想說克握，正則表達式編譯模式時，盡可能地使用原始字符串枷踏。

高級匹配模式

"[]"匹配集合里面的任意一個字符

import re
 
p = re.compile(r'[朱劉馬]帥吃飯了嗎')
result = re.match(p, '馬帥吃飯了嗎') # or 朱帥吃飯了嗎 or 劉帥吃飯了嗎
print(result)

[]里面的內容表示任意一個字符菩暗，只要在這個集合里面的就能匹配成功。所以上面的模式可以匹配

馬帥吃飯了嗎
朱帥吃飯了嗎
劉帥吃飯了嗎

這是針對單個字符的旭蠕，還可以這樣寫[a-z0-9]代表一個范圍停团。這表示一個字符只要是字母或者數(shù)字就能匹配成功旷坦，當然后面可以加上{}。p = re.compile(r'[0-9]{3}')可以匹配3位數(shù)字佑稠，其實和\d+{3}異曲同工秒梅。

"|"匹配這個或那個字符串

上面的例子還可以這樣寫。

import re
 
p = re.compile(r'朱|劉|馬帥吃飯了嗎')
 
result = re.match(p, '馬帥吃飯了嗎')
print(result)

效果和上面一樣舌胶。這是單個字符的時候捆蜀，來看看涉及到特定的多個字符時候。

import re
 
p = re.compile(r'Bob|Jerry|Tom Lee')
 
result = re.match(p, 'Jerry Lee')
print(result)

這能匹配三個人名

Bob Lee
Jerry Lee
Tom Lee

如果使用[]就不好操作了幔嫂。下面也能匹配上面的三個名字辆它，不過哪個更易懂不言而喻。所以要分場合用最合適的履恩。

p = re.compile(r'[BJT][oe][brm][\sry]{,2} Lee')

還有一點锰茉，[]里可以使用^表示“非”的意思。

p = re.compile(r'[^0-9]')這就表示切心，除開數(shù)字的其他任意一個字符洞辣。

“?”匹配0次或者1次

import re
 
p = re.compile(r'我有一萬?元')
 
result = re.match(p, '我有一元') # or我有一萬元
print(result)

“萬”字匹配0次（沒有）或者1次都是成功的。通俗點講昙衅，這個字符時可選的。其實用?可以看成是p = re.compile(r'我有一萬{,1}元')的簡寫定鸟。

“*”匹配任意次, "+"匹配至少1次

*可以匹配0次而涉，也可以匹配多次。實際上可看作p = re.compile(r'我有一萬{0,}元')

+匹配至少一次联予，可以看作p = re.compile(r'我有一萬{1,}元').這意味著它不能匹配我有一元啼县，必須含有一個或者多個“萬”字。

貪婪匹配和非貪婪

Python的正則表達式默認是貪婪匹配沸久。這意味著它將盡可能多的季眷，盡可能往后匹配。只要后面還有能成功匹配的字符串卷胯，就不會停下來子刮。

比如

import re
 
p = re.compile(r'我有一萬*')
result = re.match(p, '我有一萬萬萬萬萬')
print(result)
 

雖然*可匹配0次，1次...多次窑睁。但是不是返回我有一或者我有一萬挺峡，而是后面有多少就匹配到多少。

如果要變成非貪婪匹配呢担钮？后加?

p = re.compile(r'我有一萬*?')
result = re.match(p, '我有一萬萬萬萬萬')

這樣就會盡可能少的匹配橱赠，因為*最少能匹配0次，所以這里返回我有一箫津。

注意狭姨，這里的?不要解釋成0次或者1次宰啦，在非貪婪里面的?和上面介紹的?是有差別的。

通配字符"."

.可以匹配除了換行符之外的所有字符饼拍，如果加入標志位flags=re.DOTALL赡模，使得.什么都可以匹配（包括換行符），還有re.IGNORECASE和re.VERBOSE

# re.DOTALL
p = re.compile(r'good.haha', re.DOTALL)
result = re.findall(p, 'good\nhaha')
# 按位或可以同時使用兩種模式
p = re.compile(r'good.haha', re.IGNORECASE | re.DOTALL)
result = re.findall(p, 'GOOD\nHahA')
 
# re.VERBOSE可以忽略空白字符和注釋惕耕，當模式比較復雜時這樣可能會直觀點
p = re.compile(r'''
    \w+. # asdf
    \w+''' # some..
               , re.IGNORECASE | re.DOTALL | re.VERBOSE)
 
result = re.findall(p, 'GOOD\nHahA')

順便一提纺裁，\w匹配單詞字符，它包括了數(shù)字

搭配*和?更好用

.*  貪婪匹配所有字符
.*? 非貪婪匹配所有字符

舉個例子

import re
#貪婪
p = re.compile(r'abcd.*1234', re.DOTALL)
result = re.findall(p, 'abcdDAMN1234IT1234')
print(result) # ['abcdDAMN1234IT1234']全部匹配
# 非貪婪
p = re.compile(r'abcd.*?1234', re.DOTALL)
result = re.findall(p, 'abcdDAMN1234IT1234')
print(result) # ['abcdDAMN1234']遇到第一個1234就停止

使用捕獲組

上面的例子如果使用()將.*?包含起來司澎，在findall下將只返回括號里的內容欺缘，這很有用，往往我們需要的只是那里面的內容挤安。

import re
 
p = re.compile(r'abcd(.*?)1234', re.DOTALL)
result = re.findall(p, 'abcdFUCK1234')
# out: ['FUCK']
print(result)

如果有多個括號呢谚殊？

import re
p = re.compile(r'[a-z]+((\d+)-(\d+))[a-z]+')
print(result.group(1))
print(result.group(2))
print(result.group(3)))
 
result = re.findall(p, 'afs123-456gds')
print(result)

可以看到，我們把數(shù)字用括號包起來了蛤铜，這里有3個括號嫩絮。輸出是這樣的

[('123-456', '123', '456')]列表里面實際上是一個元組，分別對應了三個括號里面的值围肥。如果覺得findall返回的形式不夠清楚剿干，可以用group

p = re.compile(r'[a-z]+((\d+)-(\d+))[a-z]+')
 
result = re.match(p, 'afs123-456gds')
print(result.group()) # afs123-456gds
print(result.group(1)) # 123-456
print(result.group(2)) # 123
print(result.group(3)) # 456

group()或者group(0)意思一樣，永遠放回匹配成功的整個字符串穆刻。貌似和括號沒有什么關系置尔。不過要是使用group(1)查看下就會發(fā)現(xiàn)，它返回了第一個分組里的內容氢伟。上面共有3個分組榜轿，所以最多group(3)，group(4)就要報錯了朵锣。發(fā)現(xiàn)Python將最外層的括號視為第一組谬盐，里面的分組按照從左到右的順序依次為第二組、第三組诚些。

還能使用groups()方法飞傀，返回所有分組（注意和group()區(qū)分）

('123-456', '123', '456')按照順序依次是第一第二第三組，這和用findall返回的數(shù)據(jù)一樣（只是少了列表包圍）

分割字符串

使用re.split()

import re
# 以這個模式為分隔符
p = re.compile(r'\d+')
 
result = re.split(p, 'tom32jerry456haha')
print(result) # ['tom', 'jerry', 'haha']

可以看到诬烹，以數(shù)字為分隔符助析，將單詞提取出來了。

字符串的替換

還是上面的例子椅您，上面以數(shù)字分割外冀，這次讓漢字替換掉數(shù)字。

import re
 
p = re.compile(r'\d+')
 
result = re.sub(p, '中文', 'tom32jerry456haha')
print(result) # tom中文jerry中文haha

如果要用到匹配得文本本身掀泳，可以使用\1和\2這樣的形式雪隧，表示使用分組得第一組和第二組西轩，\0沒有這樣的寫法，這會被當成空字符串

import re
 
p = re.compile(r'(\d+)abcd(\d+)')
 
result = re.sub(p, r'\2invert\1', '12345abcd67890')
print(result) # 67890invert12345

有兩個分組脑沿，r'\2\1'這里要使用原始字符串藕畔，不用的話自己試試看輸出啥東西。

表示用分組2invert分組1得內容替代原字符串庄拇。由于分組1為12345注服，分組2為67890，所以是使用了67890invert12345代替了原字符串.

哦對了措近，平常還有一個用得比較多溶弟。\s可以匹配空格/換行符/制表符等等空白字符。其他的瞭郑，用到的時候再查表吧辜御！

針對我個人日常得使用，掌握這么多應該差不多了屈张。不過有個博客總結得更詳細擒权，推薦Python正則表達式指南

by @sunhaiyu

2017.6.24