跳转至

Python 正则表达式

Python 正则表达式 教程展示了如何在 Python 中使用正则表达式。 对于 Python 中的正则表达式,我们使用 re 模块。

正则表达式用于文本搜索和更高级的文本操作。 正则表达式是内置工具,如 grep,sed,文本编辑器(如 vi,emacs),编程语言(如 Tcl,Perl 和 Python)。

Python re模块

在 Python 中,re模块提供了正则表达式匹配操作。

模式是一个正则表达式,用于定义我们正在搜索或操纵的文本。 它由文本文字和元字符组成。 用compile()函数编译该模式。 由于正则表达式通常包含特殊字符,因此建议使用原始字符串。 (原始字符串以 r 字符开头。)这样,在将字符编译为模式之前,不会对这些字符进行解释。

编译模式后,可以使用其中一个函数将模式应用于文本字符串。 函数包括match()search()find()finditer()

下表显示了一些正则表达式:

正则表达式 含义
`.` 匹配任何单个字符。
`?` 一次匹配或根本不匹配前面的元素。
`+` 与前面的元素匹配一次或多次。
`*` 与前面的元素匹配零次或多次。
`^` 匹配字符串中的起始位置。
`$` 匹配字符串中的结束位置。
`|` 备用运算符。
`[abc]` 匹配 a 或 b 或 c。
`[a-c]` 范围; 匹配 a 或 b 或 c。
`[^abc]` 否定,匹配除 a 或 b 或 c 之外的所有内容。
`\s` 匹配空白字符。
`\w` 匹配单词字符; 等同于`[a-zA-Z_0-9]`

匹配函数

以下是一个代码示例,演示了 Python 中简单正则表达式的用法。

match_fun.py
#!/usr/bin/python3

import re

words = ('book', 'bookworm', 'Bible', 
    'bookish','cookbook', 'bookstore', 'pocketbook')

pattern = re.compile(r'book')

for word in words:
    if re.match(pattern, word):
        print('The {} matches '.format(word))

在示例中,我们有一个单词元组。 编译后的模式将在每个单词中寻找一个“ book”字符串。

pattern = re.compile(r'book')

使用compile()函数,我们可以创建图案。 正则表达式是一个原始字符串,由四个普通字符组成。

1
2
3
for word in words:
    if re.match(pattern, word):
        print('The {} matches '.format(word))

我们遍历元组并调用match()函数。 它将模式应用于单词。 如果字符串开头有匹配项,则match()函数将返回匹配对象。

1
2
3
4
5
$ ./match_fun.py 
The book matches 
The bookworm matches 
The bookish matches 
The bookstore matches 

元组中的四个单词与模式匹配。 请注意,以“ book”一词开头的单词不匹配。 为了包括这些词,我们使用search()函数。

搜索函数

search()函数查找正则表达式模式产生匹配项的第一个位置。

search_fun.py
#!/usr/bin/python3

import re

words = ('book', 'bookworm', 'Bible', 
    'bookish','cookbook', 'bookstore', 'pocketbook')

pattern = re.compile(r'book')

for word in words:
    if re.search(pattern, word):
        print('The {} matches '.format(word))    

在示例中,我们使用search()函数查找“ book”一词。

1
2
3
4
5
6
7
$ ./search_fun.py 
The book matches 
The bookworm matches 
The bookish matches 
The cookbook matches 
The bookstore matches 
The pocketbook matches 

这次还包括菜谱和袖珍书中的单词。

点元字符

点(。)元字符代表文本中的任何单个字符。

dot_meta.py
#!/usr/bin/python3

import re

words = ('seven', 'even', 'prevent', 'revenge', 'maven', 
    'eleven', 'amen', 'event')

pattern = re.compile(r'.even')

for word in words:
    if re.match(pattern, word):
        print('The {} matches '.format(word))

在示例中,我们有一个带有八个单词的元组。 我们在每个单词上应用一个包含点元字符的模式。

pattern = re.compile(r'.even')

点代表文本中的任何单个字符。 字符必须存在。

1
2
3
$ ./dot_meta.py 
The seven matches 
The revenge matches 

两个字匹配模式:七个和复仇。

问号元字符

问号(?)元字符是与上一个元素零或一次匹配的量词。

question_mark_meta.py
#!/usr/bin/python3

import re

words = ('seven', 'even','prevent', 'revenge', 'maven', 
    'eleven', 'amen', 'event')

pattern = re.compile(r'.?even')

for word in words:
    if re.match(pattern, word):
        print('The {} matches '.format(word))

在示例中,我们在点字符后添加问号。 这意味着在模式中我们可以有一个任意字符,也可以在那里没有任何字符。

1
2
3
4
5
$ ./question_mark_meta.py 
The seven matches 
The even matches 
The revenge matches 
The event matches 

这次,除了七个和复仇外,偶数和事件词也匹配。

锚点

锚点匹配给定文本内字符的位置。 当使用^锚时,匹配必须发生在字符串的开头,而当使用$锚时,匹配必须发生在字符串的结尾。

anchors.py
#!/usr/bin/python3

import re

sentences = ('I am looking for Jane.',
    'Jane was walking along the river.',
    'Kate and Jane are close friends.')

pattern = re.compile(r'^Jane')

for sentence in sentences:
    if re.search(pattern, sentence):
        print(sentence)

在示例中,我们有三个句子。 搜索模式为^Jane。 该模式检查“ Jane”字符串是否位于文本的开头。 Jane\.将在句子结尾处查找“ Jane”。

fullmatch

可以使用fullmatch()函数或通过将术语放在锚点之间来进行精确匹配:^和$。

exact_match.py
#!/usr/bin/python3

import re

words = ('book', 'bookworm', 'Bible', 
    'bookish','cookbook', 'bookstore', 'pocketbook')

pattern = re.compile(r'^book$')

for word in words:
    if re.search(pattern, word):
        print('The {} matches'.format(word))    

在示例中,我们寻找与“ book”一词完全匹配的内容。

$ ./exact_match.py 
The book matches

这是输出。

字符类

字符类定义了一组字符,任何字符都可以出现在输入字符串中以使匹配成功。

character_class.py
#!/usr/bin/python3

import re

words = ('a gray bird', 'grey hair', 'great look')

pattern = re.compile(r'gr[ea]y')

for word in words:
    if re.search(pattern, word):
        print('{} matches'.format(word))    

在该示例中,我们使用字符类同时包含灰色和灰色单词。

pattern = re.compile(r'gr[ea]y')

[ea]类允许在模式中使用’e’或’a’字符。

命名字符类

有一些预定义的字符类。 \s与空白字符[\t\n\t\f\v]匹配,\d与数字[0-9]匹配,\w与单词字符[a-zA-Z0-9_]匹配。

named_character_class.py
#!/usr/bin/python3

import re

text = 'We met in 2013\. She must be now about 27 years old.'

pattern = re.compile(r'\d+')

found = re.findall(pattern, text)

if found:
    print('There are {} numbers'.format(len(found)))    

在示例中,我们计算文本中的数字。

pattern = re.compile(r'\d+')

\d+模式在文本中查找任意数量的数字集。

found = re.findall(pattern, text)

使用findall()方法,我们可以查找文本中的所有数字。

$ ./named_character_classes.py 
There are 2 numbers

这是输出。

不区分大小写的匹配

默认情况下,模式匹配区分大小写。 通过将re.IGNORECASE传递给compile()函数,我们可以使其不区分大小写。

case_insensitive.py
#!/usr/bin/python3

import re

words = ('dog', 'Dog', 'DOG', 'Doggy')

pattern = re.compile(r'dog', re.IGNORECASE)

for word in words:
    if re.match(pattern, word):
        print('{} matches'.format(word))

在示例中,无论大小写如何,我们都将模式应用于单词。

1
2
3
4
5
$ ./case_insensitive.py 
dog matches
Dog matches
DOG matches
Doggy matches

所有四个单词都与模式匹配。

交替

交替运算符|创建具有多种选择的正则表达式。

alternations.py
#!/usr/bin/python3

import re

words = ("Jane", "Thomas", "Robert",
    "Lucy", "Beky", "John", "Peter", "Andy")

pattern = re.compile(r'Jane|Beky|Robert')

for word in words:
    if re.match(pattern, word):
        print(word)

列表中有八个名称。

pattern = re.compile(r'Jane|Beky|Robert')

此正则表达式查找“​​ Jane”,“ Beky”或“ Robert”字符串。

查找方法

finditer()方法返回一个迭代器,该迭代器在字符串中的模式的所有不重叠匹配上产生匹配对象。

find_iter.py
#!/usr/bin/python3

import re

text = ('I saw a fox in the wood. The fox had red fur.')

pattern = re.compile(r'fox')

found = re.finditer(pattern, text)

for item in found:

    s = item.start()
    e = item.end()
    print('Found {} at {}:{}'.format(text[s:e], s, e))

在示例中,我们在文本中搜索“ fox”一词。 我们遍历找到的匹配项的迭代器,并使用它们的索引进行打印。

s = item.start()
e = item.end()

start()end()方法分别返回起始索引和结束索引。

1
2
3
$ ./find_iter.py 
Found fox at 8:11
Found fox at 29:32

这是输出。

捕获组

捕获组是一种将多个字符视为一个单元的方法。 通过将字符放置在一组圆括号内来创建它们。 例如,(book)是包含’b’,’o’,’o’,’k’,字符的单个组。

捕获组技术使我们能够找出字符串中与常规模式匹配的那些部分。

capturing_groups.py
#!/usr/bin/python3

import re

content = '''<p>The <code>Pattern</code> is a compiled
representation of a regular expression.</p>'''

pattern = re.compile(r'(</?[a-z]*>)')

found = re.findall(pattern, content)

for tag in found:
    print(tag)

该代码示例通过捕获一组字符来打印提供的字符串中的所有 HTML 标签。

found = re.findall(pattern, content)

为了找到所有标签,我们使用findall()方法。

1
2
3
4
5
$ ./capturing_groups.py 
<p>
<code>
</code>
</p>

我们找到了四个 HTML 标签。

Python 正则表达式电子邮件示例

在以下示例中,我们创建一个用于检查电子邮件地址的正则表达式模式。

emails.py
#!/usr/bin/python3

import re

emails = ("[email protected]", "andy@yahoocom", 
    "34234sdfa#2345", "[email protected]")

pattern = re.compile(r'^[a-zA-Z0-9._-]+@[a-zA-Z0-9-]+\.[a-zA-Z.]{2,18}$')

for email in emails:
    if re.match(pattern, email):
        print("{} matches".format(email))
    else:
        print("{} does not match".format(email))

本示例提供了一种可能的解决方案。

pattern = re.compile(r'^[a-zA-Z0-9._-]+@[a-zA-Z0-9-]+\.[a-zA-Z.]{2,18}$')    

^和后$个字符提供精确的模式匹配。 模式前后不允许有字符。 电子邮件分为五个部分。 第一部分是本地部分。 这通常是公司,个人或昵称的名称。 [a-zA-Z0-9._-]+列出了所有可能的字符,我们可以在本地使用。 它们可以使用一次或多次。

第二部分由文字@字符组成。 第三部分是领域部分。 通常是电子邮件提供商的域名,例如 yahoo 或 gmail。 [a-zA-Z0-9-]+是一个字符类,提供可在域名中使用的所有字符。 +量词允许使用这些字符中的一个或多个。

第四部分是点字符。 它前面带有转义字符(\),以获取文字点。

最后一部分是顶级域:[a-zA-Z.]{2,18}。 顶级域可以包含 2 到 18 个字符,例如 sk,net,信息,旅行,清洁,旅行保险。 最大长度可以为 63 个字符,但是今天大多数域都少于 18 个字符。 还有一个点字符。 这是因为某些顶级域包含两个部分: 例如 co.uk。

1
2
3
4
5
$ ./emails.py 
[email protected] matches
andy@yahoocom does not match
34234sdfa#2345 does not match
[email protected] matches

这是输出。