「Python教程12」模式匹配与正则表达式

Python学习笔记

作者: Duter2016 | 2019-10-13 | 阅读
「编辑」 「本文源码」

1、if not X
not与逻辑判断句if连用,代表not后面的表达式为False的时候,执行冒号后面的语句。比如:

a = False

if not a:  (这里因为a是False,所以not a就是True)

   print("hello")

这里就能够输出结果hello

2、正则表达式匹配数字
  正则表达式,简称为regex,是文本模式的描述方法。例如,\d 是一个正则表达式,表示一位数字字符,即任何一位 0 到 9 的数字。Python 使用正则表达式\d\d\d-\d\d\d-\d\d\d\d,来匹配前面isPhoneNumber()函数匹配的同样文本:3 个数字、一个短横线、3 个数字、一个短横线、4 个数字。所有其他字符串都不能匹配\d\d\d-\d\d\d-\d\d\d\d正则表达式。   但正则表达式可以复杂得多。例如,在一个模式后加上花括号包围的3({3}),就是说,“匹配这个模式3次”。所以较短的正则表达式\d{3}-\d{3}-\d{4},也匹配正确的电话号码格式。

3、创建正则表达式对象
  Python中所有正则表达式的函数都在re模块中。在交互式环境中输入以下代码,导入该模块: ` »> import re `

  向re.compile()传入一个字符串值,表示正则表达式,它将返回一个Regex模式对象(或者就简称为Regex对象)。   要创建一个Regex对象来匹配电话号码模式,就在交互式环境中输入以下代码(回忆一下,\d表示“一个数字字符”,\d\d\d-\d\d\d-\d\d\d\d是正确电话号码模式的正则表达式)。

>>> phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')

现在phoneNumRegex变量包含了一个Regex对象。

4、匹配正则表达式对象
  Regex对象的search()方法查找传入的字符串,寻找该正则表达式的所有匹配。如果字符串中没有找到该正则表达式模式,search()方法将返回None。如果找到了该模式,search()方法将返回一个Match对象。Match对象有一个group()方法,它返回被查找字符串中实际匹配的文本(稍后我会解释分组)。例如,在交互式环境中输入以下代码:

>>> phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')
>>> mo = phoneNumRegex.search('My number is 415-555-4242.')
>>> print('Phone number found: ' + mo.group())
Phone number found: 415-555-4242

变量名mo是一个通用的名称,用于Match对象。

5、使用正则表达式的步骤
  在Python中使用正则表达式有几个步骤,但每一步都相当简单。 (1)用import re导入正则表达式模块。 (2)用re.compile()函数创建一个Regex对象(记得使用原始字符串)。 (3)向Regex对象的search()方法传入想查找的字符串。它返回一个Match对象。 (4)调用Match对象的group()方法,返回实际匹配文本的字符串。

6、正则表达式利用括号分组
  假定想要将区号从电话号码中分离。添加括号将在正则表达式中创建“分组”:(\d\d\d)-(\d\d\d-\d\d\d\d)。然后可以使用group()匹配对象方法,从一个分组中获取匹配的文本。   正则表达式字符串中的第一对括号是第1组。第二对括号是第2组。向group()匹配对象方法传入整数1或2,就可以取得匹配文本的不同部分。向group()方法传入0或不传入参数,将返回整个匹配的文本。在交互式环境中输入以下代码:

>>> phoneNumRegex = re.compile(r'(\d\d\d)-(\d\d\d-\d\d\d\d)')
>>> mo = phoneNumRegex.search('My number is 415-555-4242.')
>>> mo.group(1)
'415'
>>> mo.group(2)
'555-4242'
>>> mo.group(0)
'415-555-4242'
>>> mo.group()
'415-555-4242'

  如果想要一次就获取所有的分组,请使用groups()方法,注意函数名的复数形式。

>>> mo.groups()
('415', '555-4242')
>>> areaCode, mainNumber = mo.groups()
>>> print(areaCode)
415
>>> print(mainNumber)
555-4242

  因为mo.groups()返回多个值的元组,所以你可以使用多重复制的技巧,每个值赋给一个独立的变量,就像前面的代码行:areaCode, mainNumber = mo.groups()。   括号在正则表达式中有特殊的含义,但是如果你需要在文本中匹配括号,怎么办?例如,你要匹配的电话号码,可能将区号放在一对括号中。在这种情况下,就需要用倒斜杠对(和)进行字符转义。在交互式环境中输入以下代码:

>>> phoneNumRegex = re.compile(r'(\(\d\d\d\)) (\d\d\d-\d\d\d\d)')
>>> mo = phoneNumRegex.search('My phone number is (415) 555-4242.')
>>> mo.group(1)
'(415)'
>>> mo.group(2)
'555-4242'

传递给re.compile()的原始字符串中,(和)转义字符将匹配实际的括号字符。

7、用管道匹配多个分组
  字符|称为“管道”。希望匹配许多表达式中的一个时,就可以使用它。例如,正则表达式r’Batman|Tina Fey’将匹配’Batman’或’Tina Fey’。   如果Batman和Tina Fey都出现在被查找的字符串中,第一次出现的匹配文本,将作为Match对象返回。在交互式环境中输入以下代码:

>>> heroRegex = re.compile (r'Batman|Tina Fey')
>>> mo1 = heroRegex.search('Batman and Tina Fey.')
>>> mo1.group()
'Batman'
>>> mo2 = heroRegex.search('Tina Fey and Batman.')
>>> mo2.group()
'Tina Fey'

注意:利用findall()方法,可以找到“所有”匹配的地方。这在7.5节“findall()方法”中讨论。   也可以使用管道来匹配多个模式中的一个,作为正则表达式的一部分。例如,假设你希望匹配’Batman’、’Batmobile’、’Batcopter’和’Batbat’中任意一个。因为所有这些字符串都以Bat开始,所以如果能够只指定一次前缀,就很方便。这可以通过括号实现。在交互式环境中输入以下代码:

>>> batRegex = re.compile(r'Bat(man|mobile|copter|bat)')
>>> mo = batRegex.search('Batmobile lost a wheel')
>>> mo.group()
'Batmobile'
>>> mo.group(1)
'mobile'

方法调用mo.group()返回了完全匹配的文本’Batmobile’,而mo.group(1)只是返回第一个括号分组内匹配的文本’mobile’。通过使用管道字符和分组括号,可以指定几种可选的模式,让正则表达式去匹配。   如果需要匹配真正的管道字符,就用倒斜杠转义,即|。

8、用问号实现可选匹配
  有时候,想匹配的模式是可选的。就是说,不论这段文本在不在,正则表达式都会认为匹配。字符?表明它前面的分组在这个模式中是可选的。例如,在交互式环境中输入以下代码:

>>> batRegex = re.compile(r'Bat(wo)?man')
>>> mo1 = batRegex.search('The Adventures of Batman')
>>> mo1.group()
'Batman'
>>> mo2 = batRegex.search('The Adventures of Batwoman')
>>> mo2.group()
'Batwoman'

正则表达式中的(wo)?部分表明,模式wo是可选的分组。该正则表达式匹配的文本中,wo将出现零次或一次。这就是为什么正则表达式既匹配’Batwoman’,又匹配’Batman’。   如果需要匹配真正的问号字符,就使用转义字符\?。

9、用星号匹配零次或多次
  *(称为星号)意味着“匹配零次或多次”,即星号之前的分组,可以在文本中出现任意次。它可以完全不存在,或一次又一次地重复。让我们再来看看Batman的例子。

>>> batRegex = re.compile(r'Bat(wo)*man')
>>> mo1 = batRegex.search('The Adventures of Batman')
>>> mo1.group()
'Batman'
>>> mo2 = batRegex.search('The Adventures of Batwoman')
>>> mo2.group()
'Batwoman'
>>> mo3 = batRegex.search('The Adventures of Batwowowowoman')
>>> mo3.group()
'Batwowowowoman'

对于’Batman’,正则表达式的(wo)部分匹配wo的零个实例。对于’Batwoman’,(wo)匹配wo的一个实例。对于’Batwowowowoman’,(wo)*匹配wo的4个实例。   如果需要匹配真正的星号字符,就在正则表达式的星号字符前加上倒斜杠,即\ *。

10、用加号匹配一次或多次   *意味着“匹配零次或多次”,+(加号)则意味着“匹配一次或多次”。星号不要求分组出现在匹配的字符串中,但加号不同,加号前面的分组必须“至少出现一次”。这不是可选的。在交互式环境中输入以下代码,把它和前一节的星号正则表达式进行比较:

>>> batRegex = re.compile(r'Bat(wo)+man')
>>> mo1 = batRegex.search('The Adventures of Batwoman')
>>> mo1.group()
'Batwoman'
>>> mo2 = batRegex.search('The Adventures of Batwowowowoman')
>>> mo2.group()
'Batwowowowoman'
>>> mo3 = batRegex.search('The Adventures of Batman')
>>> mo3 == None
True

  正则表达式Bat(wo)+man不会匹配字符串’The Adventures of Batman’,因为加号要求wo至少出现一次。   如果需要匹配真正的加号字符,在加号前面加上倒斜杠实现转义\+。

11、用花括号匹配特定次数
  如果想要一个分组重复特定次数,就在正则表达式中该分组的后面,跟上花括号包围的数字。例如,正则表达式(Ha){3}将匹配字符串’HaHaHa’,但不会匹配’HaHa’,因为后者只重复了(Ha)分组两次。   除了一个数字,还可以指定一个范围,即在花括号中写下一个最小值、一个逗号和一个最大值。例如,正则表达式(Ha){3,5}将匹配 ‘HaHaHa’、’HaHaHaHa’和’HaHaHaHaHa’。   也可以不写花括号中的第一个或第二个数字,不限定最小值或最大值。例如,(Ha){3,}将匹配3次或更多次实例,(Ha){,5}将匹配0到5次实例。花括号让正则表达式更简短。这两个正则表达式匹配同样的模式:

(Ha){3}
(Ha)(Ha)(Ha)

这两个正则表达式也匹配同样的模式:

(Ha){3,5}
((Ha)(Ha)(Ha))|((Ha)(Ha)(Ha)(Ha))|((Ha)(Ha)(Ha)(Ha)(Ha))

12、花括号的贪心和非贪心匹配
  在字符串’HaHaHaHaHa’中,因为(Ha){3,5}可以匹配3个、4个或5个实例,你可能会想,为什么在前面花括号的例子中,Match对象的group()调用会返回’HaHaHaHaHa’,而不是更短的可能结果。毕竟,’HaHaHa’和’HaHaHaHa’也能够有效地匹配正则表达式(Ha){3,5}。   Python的正则表达式默认是“贪心”的,这表示在有二义的情况下,它们会尽可能匹配最长的字符串。花括号的“非贪心”版本匹配尽可能最短的字符串,即在结束的花括号后跟着一个问号。   在交互式环境中输入以下代码,注意在查找相同字符串时,花括号的贪心形式和非贪心形式之间的区别:

>>> greedyHaRegex = re.compile(r'(Ha){3,5}')
>>> mo1 = greedyHaRegex.search('HaHaHaHaHa')
>>> mo1.group()
'HaHaHaHaHa'

>>> nongreedyHaRegex = re.compile(r'(Ha){3,5}?')
>>> mo2 = nongreedyHaRegex.search('HaHaHaHaHa')
>>> mo2.group()
'HaHaHa'

请注意,问号在正则表达式中可能有两种含义:声明非贪心匹配或表示可选的分组。这两种含义是完全无关的。

13、findall()方法
  除了search方法外,Regex对象也有一个findall()方法。search()将返回一个Match对象,包含被查找字符串中的“第一次”匹配的文本,而findall()方法将返回一组字符串,包含被查找字符串中的所有匹配。为了看看search()返回的Match对象只包含第一次出现的匹配文本,请在交互式环境中输入以下代码:

>>> phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')
>>> mo = phoneNumRegex.search('Cell: 415-555-9999 Work: 212-555-0000')
>>> mo.group()
'415-555-9999'

另一方面,findall()不是返回一个Match对象,而是返回一个字符串列表,只要在正则表达式中没有分组。列表中的每个字符串都是一段被查找的文本,它匹配该正则表达式。在交互式环境中输入以下代码:

>>> phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d') # has no groups
>>> phoneNumRegex.findall('Cell: 415-555-9999 Work: 212-555-0000')
['415-555-9999', '212-555-0000']

如果在正则表达式中有分组,那么findall将返回元组的列表。每个元组表示一个找到的匹配,其中的项就是正则表达式中每个分组的匹配字符串。为了看看findall()的效果,请在交互式环境中输入以下代码(请注意,被编译的正则表达式现在有括号分组):

>>> phoneNumRegex = re.compile(r'(\d\d\d)-(\d\d\d)-(\d\d\d\d)') # has groups
>>> phoneNumRegex.findall('Cell: 415-555-9999 Work: 212-555-0000')
[('415', '555', '1122'), ('212', '555', '0000')]

  作为findall()方法的返回结果的总结,请记住下面两点: (1)如果调用在一个没有分组的正则表达式上,例如\d\d\d-\d\d\d-\d\d\d\d,方法findall()将返回一个匹配字符串的列表,例如[‘415-555-9999’, ‘212-555-0000’]。 (2)如果调用在一个有分组的正则表达式上,例如(\d\d\d)-(\d\d\d)-(\d\d\d\d),方法findall()将返回一个字符串的元组的列表(每个分组对应一个字符串),例如[(‘415’, ‘555’, ‘1122’), (‘212’, ‘555’, ‘0000’)]。

14、常用字符分类的缩写代码

缩写字符分类 表示
\d 0到9的任何数字,即正则表达式(0|1|2|3|4|5|6|7|8|9)的缩写
\D 除0到9的数字以外的任何字符
\w 任何字母、数字或下划线字符(可以认为是匹配“单词”字符)
\W 除字母、数字和下划线以外的任何字符
\s 空格、制表符或换行符(可以认为是匹配“空白”字符)
\S 除空格、制表符和换行符以外的任何字符
字符分类对于缩短正则表达式很有用。字符分类[0-5]只匹配数字0到5,这比输入(0 1 2 3 4 5)要短很多。

15、建立自己的字符分类
  有时候你想匹配一组字符,但缩写的字符分类(\d、\w、\s等)太宽泛。你可以用方括号定义自己的字符分类。例如,字符分类[aeiouAEIOU]将匹配所有元音字符,不论大小写。在交互式环境中输入以下代码:

>>> vowelRegex = re.compile(r'[aeiouAEIOU]')
>>> vowelRegex.findall('RoboCop eats baby food. BABY FOOD.')
['o', 'o', 'o', 'e', 'a', 'a', 'o', 'o', 'A', 'O', 'O']

  也可以使用短横表示字母或数字的范围。例如,字符分类[a-zA-Z0-9]将匹配所有小写字母、大写字母和数字。   请注意,在方括号内,普通的正则表达式符号不会被解释。这意味着,你不需要前面加上倒斜杠转义.、*、?或()字符。例如,字符分类将匹配数字0到5和一个句点。你不需要将它写成[0-5.]。   通过在字符分类的左方括号后加上一个插入字符(^),就可以得到“非字符类”。非字符类将匹配不在这个字符类中的所有字符。例如,在交互式环境中输入以下代码:

>>> consonantRegex = re.compile(r'[^aeiouAEIOU]')
>>> consonantRegex.findall('RoboCop eats baby food. BABY FOOD.')
['R', 'b', 'c', 'p', ' ', 't', 's', ' ', 'b', 'b', 'y', ' ', 'f', 'd', '.', '
', 'B', 'B', 'Y', ' ', 'F', 'D', '.']

现在,不是匹配所有元音字符,而是匹配所有非元音字符。

16、插入字符和美元字符
  可以在正则表达式的开始处使用插入符号(\^),表明匹配必须发生在被查找文本开始处。类似地,可以再正则表达式的末尾加上美元符号($),表示该字符串必须以这个正则表达式的模式结束。可以同时使用\^和$,表明整个字符串必须匹配该模式,也就是说,只匹配该字符串的某个子集是不够的。   例如,正则表达式r’^Hello’匹配以’Hello’开始的字符串。在交互式环境中输入以下代码:

>>> beginsWithHello = re.compile(r'^Hello')
>>> beginsWithHello.search('Hello world!')
< _sre.SRE_Match object; span=(0, 5), match='Hello'>
>>> beginsWithHello.search('He said hello.') == None
True

正则表达式r’\d$’匹配以数字0到9结束的字符串。在交互式环境中输入以下代码:

>>> endsWithNumber = re.compile(r'\d$')
>>> endsWithNumber.search('Your number is 42')
< _sre.SRE_Match object; span=(16, 17), match='2'>
>>> endsWithNumber.search('Your number is forty two.') == None
True

正则表达式r’^\d+$’匹配从开始到结束都是数字的字符串。在交互式环境中输入以下代码:

>>> wholeStringIsNum = re.compile(r'^\d+$')
>>> wholeStringIsNum.search('1234567890')
< _sre.SRE_Match object; span=(0, 10), match='1234567890'>
>>> wholeStringIsNum.search('12345xyz67890') == None
True
>>> wholeStringIsNum.search('12 34567890') == None
True

  前面交互式脚本例子中的最后两次search()调用表明,如果使用了\^和$,那么整个字符串必须匹配该正则表达式。   我总是会混淆这两个符号的含义,所以我使用助记法“Carrots cost dollars”,提醒我插入符号在前面,美元符号在后面。

17、句点通配单个字符
  在正则表达式中,.(句点)字符称为“通配符”。它匹配除了换行之外的所有字符。例如,在交互式环境中输入以下代码:

>>> atRegex = re.compile(r'.at')
>>> atRegex.findall('The cat in the hat sat on the flat mat.')
['cat', 'hat', 'sat', 'lat', 'mat']

要记住,句点字符只匹配一个字符,这就是为什么在前面的例子中,对于文本flat,只匹配lat。要匹配真正的句点,就是用倒斜杠转义\.。

18、用点-星匹配所有字符
  有时候想要匹配所有字符串。例如,假定想要匹配字符串’First Name:’,接下来是任意文本,接下来是’Last Name:’,然后又是任意文本。可以用点-星(.*)表示“任意文本”。回忆一下,句点字符表示“除换行外所有单个字符”,星号字符表示“前面字符出现零次或多次”。 在交互式环境中输入以下代码:

>>> nameRegex = re.compile(r'First Name: (.*) Last Name: (.*)')
>>> mo = nameRegex.search('First Name: Al Last Name: Sweigart')
>>> mo.group(1)
'Al'
>>> mo.group(2)
'Sweigart'

点-星使用“贪心”模式:它总是匹配尽可能多的文本。要用“非贪心”模式匹配所有文本,就使用点-星和问号。像和大括号一起使用时那样,问号告诉Python用非贪心模式匹配。在交互式环境中输入以下代码,看看贪心模式和非贪心模式的区别:

>>> nongreedyRegex = re.compile(r'<.*?>')
>>> mo = nongreedyRegex.search('<To serve man> for dinner.>')
>>> mo.group()
'< To serve man>'
>>> greedyRegex = re.compile(r'<.*>')
>>> mo = greedyRegex.search(' <To serve man>for dinner.>')
>>> mo.group()
'< To serve man> for dinner.>'

两个正则表达式都可以翻译成“匹配一个左尖括号,接下来是任意字符,接下来是一个右尖括号”。但是字符串’ for dinner.>'对右肩括号有两种可能的匹配。在非贪心的正则表达式中,Python匹配最短可能的字符串:''。在贪心版本中,Python匹配最长可能的字符串:' for dinner.>'。

19、用句点字符匹配换行
  点-星将匹配除换行外的所有字符。通过传入re.DOTALL作为re.compile()的第二个参数,可以让句点字符匹配所有字符,包括换行字符。 在交互式环境中输入以下代码:

>>> noNewlineRegex = re.compile('.*')
>>> noNewlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.'

>>> newlineRegex = re.compile('.*', re.DOTALL)
>>> newlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.\nProtect the innocent.\nUphold the law.'

正则表达式noNewlineRegex在创建时没有向re.compile()传入re.DOTALL,它将匹配所有字符,直到第一个换行字符。但是,newlineRegex在创建时向re.compile()传入了re.DOTALL,它将匹配所有字符。这就是为什么newlineRegex.search()调用匹配完整的字符串,包括其中的换行字符。

20、不区分大小写的匹配
  有时候你只关心匹配字母,不关心它们是大写或小写。要让正则表达式不区分大小写,可以向re.compile()传入re.IGNORECASE或re.I,作为第二个参数。在交互式环境中输入以下代码:

>>> robocop = re.compile(r'robocop', re.I)
>>> robocop.search('RoboCop is part man, part machine, all cop.').group()
'RoboCop'

>>> robocop.search('ROBOCOP protects the innocent.').group()
'ROBOCOP'

>>> robocop.search('Al, why does your programming book talk about robocop so much?').group()
'robocop'

21、用sub()方法替换字符串
  正则表达式不仅能找到文本模式,而且能够用新的文本替换掉这些模式。Regex对象的sub()方法需要传入两个参数。第一个参数是一个字符串,用于取代发现的匹配。第二个参数是一个字符串,即正则表达式。sub()方法返回替换完成后的字符串。   例如,在交互式环境中输入以下代码:

>>> namesRegex = re.compile(r'Agent \w+')
>>> namesRegex.sub('CENSORED', 'Agent Alice gave the secret documents to Agent Bob.')
'CENSORED gave the secret documents to CENSORED.'

22、管理复杂的正则表达式
  如果要匹配的文本模式很简单,正则表达式就很好。但匹配复杂的文本模式,可能需要长的、费解的正则表达式。你可以告诉re.compile(),忽略正则表达式字符串中的空白符和注释,从而缓解这一点。要实现这种详细模式,可以向re.compile()传入变量re.VERBOSE,作为第二个参数。   现在,不必使用这样难以阅读的正则表达式:

phoneRegex = re.compile(r'((\d{3}|\(\d{3}\))?(\s|-|\.)?\d{3}(\s|-|\.)\d{4}
(\s*(ext|x|ext.)\s*\d{2,5})?)')

你可以将正则表达式放在多行中,并加上注释,像这样:

phoneRegex = re.compile(r'''(
    (\d{3}|\(\d{3}\))?               # area code
    (\s|-|\.)?                       # separator
    \d{3}                            # first 3 digits
    (\s|-|\.)                        # separator
    \d{4}                            # last 4 digits
    (\s*(ext|x|ext.)\s*\d{2,5})?     # extension
    )''', re.VERBOSE)

请注意,前面的例子使用了三重引号(‘”),创建了一个多行字符串。这样就可以将正则表达式定义放在多行中,让它更可读。

23、组合使用re.IGNORECASE、re.DOTALL和re.VERBOSE
  如果你希望在正则表达式中使用re.VERBOSE来编写注释,还希望使用re.IGNORECASE来忽略大小写,该怎么办?遗憾的是,re.compile()函数只接受一个值作为它的第二参数。可以使用管道字符(|)将变量组合起来,从而绕过这个限制。管道字符在这里称为“按位或”操作符。   所以,如果希望正则表达式不区分大小写,并且句点字符匹配换行,就可以这样构造re.compile()调用:

>>> someRegexValue = re.compile('foo', re.IGNORECASE | re.DOTALL)

使用第二个参数的全部3个选项,看起来像这样:

>>> someRegexValue = re.compile('foo', re.IGNORECASE | re.DOTALL | re.VERBOSE)

版权声明:本文由 Duter2016 在 2019年10月13日发表。本文采用CC BY-NC-SA 4.0许可协议,非商业转载请注明出处,不得用于商业目的。
文章题目及链接:《「Python教程12」模式匹配与正则表达式》




  相关文章:

「游客及非Github用户留言」:

「Github登录用户留言」:

TOP