Skip to content

10 正则表达式上

本节知识大纲: 01

一、正则表达式介绍

正则表达式是什么?正则表达式是一种特殊的字符串模式,用于匹配一组字符串,就好比模具做产品,而正则就是这个模具,定义一种规则去匹配符合规则的字符。 如果我们对字符串有要求,我们就可以通过正则表达式把它表示出来,我们可以用正则表达式去匹配符合规则的字符串; 正则表达式的处理对象是字符串,主要应用正则表达式的操作有: * 验证 * 查找 * 替换

1. 正则表达式的匹配流程:

02

2. 正则表达式的应用流程

match()是用于校验的函数 案例01: 输入一个三位数,通过正则表达式输入的是否满足要求?

import re
input_number = input("请输入一个三位数:")
match = re.match("^\d{3}$",input_number)
if match is None:
    print("不符合要求")
else:
    print("符合要求")

案例02: 判断输入的手机号码是否有效,要求:号码位数是11位;第一位是数字1;第二位是数字345789;后面是0-9均可

# 步骤一:通过引擎编译出对象
import re
pattern = re.compile(R"[1][345789]\d{9}")   # 编译出pattern对象
input_mobile = input("请输入手机号码:")
# 步骤二:对输入的内容进行匹配
# print(pattern.match(input_mobile))
if pattern.match(input_mobile):
    print("输入的手机号有效!")
else:
    print("输入的手机号无效!")

3.正则表达式的基本语法

03

二、预定义字符

如果每次都通过代码来验证正则表达式是否正确效率有点低,我们可以通过在线工具来校验我们的正则表达式是否正确,比如oschina的在线正则表达式测试工具;当然在Windows系统下可以使用RegexBuddy工具进行检测。 普通字符:字母、数字、下划线以及没有特殊意义的符号,都是普通字符。 元字符:这里主要有11个构成正则表达式元字符

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

1. 通配字符

.是一个能匹配除\n以外任何字符的通用匹配符,例如,我们想匹配以a开头的,后面跟3个任意字符的正则表达式可以这样写:

re.match("^a...","avfs")
另外三个连续的通配符可以写成{3}像这样:
re.match("^a.{3}","avfs")
这里也可以使用findall()方法,能返回待匹配字符串中所有与正则表达式相匹配的字符串
print(re.findall("a.{3}","avfssssadddadddaef"))  # 把匹配开头的^去掉了
输出结果:
['avfs', 'addd', 'addd']

2. 反斜杠

反斜杠加字母有时候在转义字符和正则表达式中功能冲突,通常的解决办法是使用r或者R取消转义。

三、字符集

1. 系统正则表达式字符集

04 案例:非数字开头 + 两个空格 + 数字/字母/下划线

import re
print(re.match(R"^\D\s{2}\w$","a  _"))
2. 用户自定义正则表达式字符集

除了使用系统字符集以外,用户可以自定义字符集

注意:这里一个中括号只能匹配一个字符; ^在中括号外表示一行开始,在中括号里面表示取反、排除的意思

05 案例:使用自定义字符集,匹配不区分大小写以a-f开头,接接着是三个小写字母,再后面是以偶数结尾

import re
print(re.findall(R"[a-fA-F][a-z]{3}[02468]","bddf42fbas8"))

注意:除了^-以外,如果把其它任何特殊符号放到[]里,那么就自动去掉特殊意义,只表示符号本身的含义,如.[]里只表示.点号的意思,没有了通配符的功能。

四、正则表达式中量词

1. 三种量词符号

06 案例: 通过正则表达式匹配英文单词,要求以na开头,以e来结尾 方法一:使用*

print(re.findall(R"na[a-z]*e","my name is Alice,nae,nattore"))
输出结果:
['name', 'nae', 'nattore']
使用*号匹配name(重复1次),匹配nae(重复0次),匹配nattore(重复多次) 方法二:使用+
print(re.findall(R"na[a-z]+e","my name is Alice,nae,nattore"))
输出结果:
['name', 'nattore']
使用+号,只能匹配name(重复1次),匹配nattore(重复多次) 方法三:使用?
print(re.findall(R"na[a-z]?e","my name is Alice,nae,nattore"))
输出结果:
['name', 'nae']
使用?号,只能name(重复1次)和nae(重复0次)

案例: 判断身份证号是否有效, 特征一:长度18或者15位 特征二:前17位是数字 特征三:最后一位是数字或者x

print(re.match(r"(\d{14}[0-9x]|\d{17}[0-9x])","34262320001218646x"))

2. 花括号表示重复次数

07(1){n}表示重复n次

# 正则表达式匹配以na开头加上4个小写字母并以e结尾:
print(re.findall(R"na[a-z]{4}e","my name is Alice,nae,nattore"))
输出结果:
['nattore']
(2){n,m}表示重复n到m次
# 正则表达式匹配以na开头加上3-10个小写字母并以e结尾:
print(re.findall(R"na[a-z]{3,10}e","my name is Alice,naicajoe,nattorirce"))
输出结果:
['naicajoe', 'nattorirce']
(3){n,}表示重复n次到无限次
# 正则表达式匹配以na开头加上3个以上的小写字母并以e为结尾:
print(re.findall(R"na[a-z]{3,}e","my name is Alice,naicajoe,nattorighjrce"))
输出结果:
['naicajoe', 'nattorighjrce']

3. 贪婪模式和非贪婪模式

(1)贪婪模式 贪婪模式是指在Python在默认情况下量词会尽可能多的匹配

print(re.findall("\d+","12345678888888abc"))    # 尽量多的匹配
print(re.findall("\d*","12345678888888abc"))
print(re.findall("\d{3,}","12345678888888abc"))
print(re.findall("\d{3,8}","1234567888888888abc"))
输出结果:
['12345678888888']
['12345678888888', '', '', '', '']
['12345678888888']
['12345678', '88888888']

(2)非贪婪模式 在表达式的结尾加上问号?,会切换成非贪婪模式

print(re.findall("\d+?","12345678888888abc"))
print(re.findall("\d{3,}?","12345678888888abc"))
输出结果:
['1', '2', '3', '4', '5', '6', '7', '8', '8', '8', '8', '8', '8', '8']
['123', '456', '788', '888']

五、字符边界

Python正则表达式字符边界主要有四种:

^      开始位置
$      结束
\b     单词边界
\B     非单词边界

1. 字符串的开始和结束

案例: 输入一个6位数字,必须要以95开头,以8结尾的数字

print(re.findall(r"^95\d{3}8$","958348"))
输出结果:
['958348']

2. 字符串的边界

\b表示单词的边界,指某一个位置前后不都是字母、数字、下划线(\w) 案例: 输入一句英文,找出里面以a、b、c开头的单词

str01 = "Use this toggle to the left to manage how your " \
        "browser uses BBC’s performance cookies. If you’re " \
        "outside the UK you can also use the toggle to set " \
        "your preferences for personalised advertising cookies."
pattern = re.compile(r"\b[abcABC][a-z]*\b")
print(pattern.findall(str01))
输出结果:
['browser', 'cookies', 'can', 'also', 'advertising', 'cookies']

六、逻辑判断

正则表达式中表示逻辑或的是用符号|,分为整体或和部分或 (1)整体或 案例: 简单匹配身份证号,现在的身份证号是18位以前是15位,我们希望两者都兼容;前面全是数字,最后一位可以是数字或者x

import re
print(re.findall("\d{14}[0-9x]|\d{17}[0-9x]]","34262219971012x"))
输出结果:
['34262219971012x']
(2)部分或 案例:在一段英文句子中,找出es、er或者ing结尾的单词
str01 = "Use this toggle to the left to manage how your " \
        "browser uses BBC’s performance cookies. If you’re " \
        "outside the UK you can also use the toggle to set " \
        "your preferences for personalised advertising cookies."
pattern = re.compile(r"\b[a-z]*(es|ing|er)\b")
print(pattern.findall(str01))
输出结果:
['er', 'es', 'es', 'es', 'ing', 'es']
为什么没有显示出完整的单词呢,这就涉及到正则表达式中分组的知识了;

七、 分组

1. 捕获组与非捕获组

分组是我们正则表达式中一个难点,把正则表达式的一部分用括号括起来作为一个组;主要包括捕获组()非捕获组(?:) 如何进行捕获呢?待捕获的表达式用小括号括起来,编号从1开始,后面通过反斜杠加数字标号进行调用。 我们以一个案例来进行解释 案例: 在前一段英文中,匹配这样的单词,有5个字符;第一个字母和第五个一样,第二个和第四个一样,比如abcba 分析: 因为匹配的是单词第一个和最后一个都是单词的边界,故正则表达式的前后都用\b,第一个字母和第二个字母后面都要用到所以分别给它们设置捕获组。用小括号括起来([a-z])([a-z])第三字母后面用不到所以不设置捕获组,第四个字母和第五个字母调用前面的捕获组,所以通过反斜杠加数字编号来进行调用,所以主要的正则表达式为:\b([a-z])([a-z])[a-z]\2\1\b

import re
print(re.findall(r"\b([a-z])([a-z])[a-z]\2\1\b","fdadd abcba"))
输出结果:
[('a', 'b')]
貌似是匹配到了,但是输出的结果并不满意,并不是完整的显示内容这是怎么回事呢? 原因: 如果对正则表达式做了分组,使用findall函数则显示捕获组所匹配的内容,不能完整显示,如果想完整显示的话有两个解决办法: 方法一:使用非捕获组 如果不需要对捕获组的内容调用,可以使用非捕获组,在表达式前加上?:就可以了,表示只捕获数据了,只用来表达条件。回到我们前面的案例,英文句子中匹配单词,怎样才能完整显示呢?对于后面不需要调用的正则表达式分组,我们使用非捕获组的方式,就是表达式前加上问号和冒号即可,则前面的正则表达式\b[a-z]*(es|ing|er)\b可以写成\b[a-z]*(?:es|ing|er)\b,这样我们的输出结果就是完整的单词了。

方法二:使用迭代函数finditer 将findall函数改为迭代函数finditer

import re
match_result = re.finditer(r"\b([a-z])([a-z])[a-z]\2\1\b","fdadd abcba")
match_list = []
for i in match_result:
    match_list.append(i.group(0))
print(match_list)
输出结果:
['abcba']
这样就能完成显示匹配结果了

2. 分组的命名

捕获组默认是从数字1开始编号的,但是如果捕获组数量多的话,最好还是能给捕获组命名方便调用,那么怎么给捕获组命名呢? 命名的方法:加问号加P跟着尖括号里写上名称(?P<名称>);调用的方法:加问号加P等于号号码跟上名称(?P=name) 前面的正则表达式\b([a-z])([a-z])[a-z]\2\1\b命名可以写成\b(?P<number01>[a-z])(?P<number02>[a-z])[a-z](?P=number02)(?P=number01)\b 实际代码可以写成:

print(re.findall(r"\b(?P<number01>[a-z])(?P<number02>[a-z])[a-z](?P=number02)(?P=number01)\b","fdadd abcba"))

八、零宽断言

Python正则表达式的零宽断言有着不同的称呼:零宽度断言、预搜索、环视等等,它是干嘛的呢?它是用来匹配一个位置 零宽的意思是不占用字符宽度、位置,比如\b表示单词起始或者结束的位置,^表示正则表达式的开始;$表示正则表达式的结束; 零宽断言的特征: (1)做位置的匹配,不占宽度 (2)匹配的内容不计入最终的结果 (3)主要用作判断某个位置的前后字符

1. 语法格式

08

2. 解释

有一段字符串我们根据它前面的表达式来找到匹配的字符串,比如要在www.baidu.com中查找名称baidu,我们可以根据条件声明根域名是以www.开头的,.com结尾的。那么零宽断言的表达式就可以写成(?<=www[.])[a-z]+(?=[.]com) 代码示例

import re
print(re.findall(r"(?<=www[.])[a-z]+(?=[.]com)","www.baidu.com"))
输出结果
['baidu']
注意:匹配输出的内容是零宽断言括号外面的部分