深入Python中的正则表达式

柔光的暖阳◎ 2022-11-22 12:39 190阅读 0赞

**@Author： Runsen**

正则表达式应用的场景也非常多。常见的比如：搜索引擎的搜索、爬虫结果的匹配、文本数据的提取等等都会用到，所以掌握甚至精通正则表达式是一个硬性技能，非常必要。

# 正则表达式 #

正则表达式是一个特殊的字符序列，由普通字符和元字符组成。元字符能帮助你方便的检查一个字符串是否与某种模式匹配。

Python中则提供了强大的正则表达式处理模块，即 re 模块， 为Python的内置模块。

下面，我带大家来一个入门demo例子，代码如下：

import re
    reg_string = "hello9527python@wangcai.@!:xiaoqiang"
    reg = "hello"
    result = re.findall(reg,reg_string)
    print(result)

这里reg\_string就是我们的普通字符，reg就是我们的元字符。

我们使用 re 模块中的findall函数，进行匹配，返回的结果是列表数据类型。

![0fc33d416b6fb8e6b10b5827ca3827c6.png][]

我们使用正则表达式，就是为了在很长的字符串中，找到我们需要的字符串片段。

# 元字符 #

Python中常见元字符及其含义如下：

<table> 
 <thead> 
  <tr> 
   <th>元字符</th> 
   <th>含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>.</td> 
   <td>匹配除换行符以外的任意字符</td> 
  </tr> 
  <tr> 
   <td>\w</td> 
   <td>匹配数字字母下划线汉字</td> 
  </tr> 
  <tr> 
   <td>\s</td> 
   <td>匹配任意空白符</td> 
  </tr> 
  <tr> 
   <td>\d</td> 
   <td>匹配所有的数字</td> 
  </tr> 
  <tr> 
   <td>\b</td> 
   <td>匹配单词的开始或结束</td> 
  </tr> 
  <tr> 
   <td>^</td> 
   <td>匹配字符串的开始</td> 
  </tr> 
  <tr> 
   <td>$</td> 
   <td>匹配字符串的开始结束</td> 
  </tr> 
  <tr> 
   <td>下面，我们具体使用下Python中的常见的元字符。</td> 
   <td>&nbsp;</td> 
  </tr> 
 </tbody> 
</table>

我们还是使用上次的例子，这次我们需要在reg\_string匹配出我们的数字，只需要将reg换成\\d，代码如下图所示。

![b77efcf2fc1f085098c5a1ccf75992a5.png][] 比如，我们在之前的reg的hello前面加上一个^，意味着我们 匹配字符串的开始的hello，那么结果就是一个，就是我们开头的hello。

如果，我们把reg换成\\w，代码如下图所示。

![b2675bd64689db7b6e79cc585d69b2e8.png][]

这样就是匹配数字字母下划线，包括我们的汉字。

# 反义代码 #

Python中常见反义代码 及其含义如下：

<table> 
 <thead> 
  <tr> 
   <th>反义代码</th> 
   <th>含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>\W</td> 
   <td>匹配任意不是数字字母下划线汉字的字符</td> 
  </tr> 
  <tr> 
   <td>\S</td> 
   <td>匹配任意不是空白符的字符</td> 
  </tr> 
  <tr> 
   <td>\D</td> 
   <td>匹配非数字</td> 
  </tr> 
  <tr> 
   <td>\B</td> 
   <td>匹配不是单词的开始或结束</td> 
  </tr> 
  <tr> 
   <td>[^a]</td> 
   <td>匹配除了a以外的任意字符</td> 
  </tr> 
  <tr> 
   <td>[^abcd]</td> 
   <td>匹配除了abcd以外的任意字符</td> 
  </tr> 
 </tbody> 
</table>

其实，记忆很简单，我们是不是知道\\d匹配数字，那么\\d的大写\\D就是匹配非数字，元字符\[a\]匹配a任意字符，那么\[^a\]就是匹配除了a以外的任意字符。

下面是具体例子

>>> import re
    >>> reg_string = "hello9527python@wangcai.@!:xiaoqiang"
    >>> reg = "\D"
    >>> re.findall(reg,reg_string)
    ['h', 'e', 'l', 'l', 'o', 'p', 'y', 't', 'h', 'o', 'n', '@', 'w', 'a', 'n', 'g', 'c', 'a', 'i', '.', '@', '!', ':', 'x', 'i', 'a', 'o', 'q', 'i', 'a', 'n', 'g']
    >>> reg = "[^a-p]"
    ['9', '5', '2', '7', 'y', 't', '@', 'w', '.', '@', '!', ':', 'x', 'q']

# 限定符 #

什么是限定符？就是限定我们匹配的个数的东西。

Python中常见限定符 及其含义如下：

<table> 
 <thead> 
  <tr> 
   <th>限定符</th> 
   <th>含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*</td> 
   <td>重复零次或多次</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>重复一次或多次</td> 
  </tr> 
  <tr> 
   <td>？</td> 
   <td>重复零次或一次</td> 
  </tr> 
  <tr> 
   <td>{n}</td> 
   <td>重复n次</td> 
  </tr> 
  <tr> 
   <td>{n,}</td> 
   <td>重复n次或更多次</td> 
  </tr> 
  <tr> 
   <td>{n,m}</td> 
   <td>重复n次到m次 {1，3}</td> 
  </tr> 
 </tbody> 
</table>

我们还是用我们之前的reg\_string，这次我们限定了元字符为\\d\{4\}，也就是我们的匹配的数字必须是4个。

![612aa15c182e9410bd6a134296d61666.png][]

下面，我们来提高难度，匹配字母和数字，限定个数为4个。

这样我们可以使用\[0-9a-z\]\{4\}，作为我们的元字符，\[0-9a-z\]代表了0到9的十个数字和a到z的小写26个英文字母。\[0-9a-z\]\{4\}限定了个数为4个。

我们打印输出下。

![8cb5585686c64ae73675672de0035a4c.png][]

如果遇到了不是在\[0-9a-z\]范围内，就会跳过，直到后面的4个都是在\[0-9a-z\]范围内就打印输出。

# 匹配ip地址 #

在互联网中，一台主机只有一个IP地址。IP地址用于在TCP/IP通信协议中标记每台计算机的地址，通常用于十进制来表示，如192.168.1.100。

在window系统中，我们可以通过ipconfig查看我们的ip。在linux系统中，我们可以通过ifconfig查看我们的ip。

我们的ip字符串是这样子的：`ip = "this is ip:192.168.1.123 :172.138.2.15"`

下面要求使用正则表达式，将ip匹配出来。

其实，我们主要编写元字符。比如：`reg = "\d{3}.\d+.\d+.\d+"，`因为第一个数字必须是三位数开头，我们可以设定`\d{3}`固定起来。

![a1f459cb46d46c941be77deba0eff725.png][] 我们除了可以使用findall，还可以使用search，我们把元字符`reg = "(\d{1,3}.){3}\d{1,3}"`。

这元字符中的`\d{1,3}`.指定是我们ip前三个数字，后面加`{3}`就是重复3次。`\d{1,3}`指的就是我们ip最后一个数字。

但是search和findall是有区别的，search只能匹配第一个，我们需要使用列表取出第一个，而findall匹配所有。

![803c6c148090883c1e15fc2800893e9b.png][]

# 组匹配 #

什么是组匹配，比如说这里边我有一个字符串`s = this is phone:13888888888 and this is my postcode:012345`，我需要你把手机号和验证码匹配出来。

因为，我们要匹配两个，而已每个的元字符都是不一样的。所以，我们需要分组匹配。

正则表达式的括号表示分组匹配，括号中的模式可以用来匹配分组的内容。

于是我们的元字符就变成：`reg = this is phone:(\d{11}) and this is my postcode:(\d{6})`

我们一般使用search进行分组匹配，上次我是不是说过search需要使用列表取出来，这里的组匹配也是一样，不过这里用的是`group()`方法。`group(1)`代表了我们的手机号，`group(2)`代表了我们的验证码，而`group(0)`代表了我们的手机号和验证码，代码如下图所示。

![8f3e18fe501ef0ca0d45081ad747aabf.png][]

在正则表达式中，除了findall和search用法，还有一个match用法。

match用法只匹配开头的，也是需要group()取出来，下图match的例子。

![9bf6584df3cdfb172ea34c18894117af.png][] 这是的re.I是忽略大小写的意思。

# 贪婪与非贪婪 #

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为，贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配，而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配。

贪婪和非贪婪有几个非常重要的操作符。

<table> 
 <thead> 
  <tr> 
   <th>操作符</th> 
   <th>含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*</td> 
   <td>重复零次或更多次</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>重复一次或更多次</td> 
  </tr> 
  <tr> 
   <td>？</td> 
   <td>重复零次或一次</td> 
  </tr> 
 </tbody> 
</table>

比如说这里边我有一个字符串`reg_string = pythonnnnnnnnnpythonHelloPytho`，我们先使用贪婪的模式下的元字符：`reg = "python*"`

![d4d1cee16333b54c8c8634b6a1a081a3.png][]

贪婪模式下的`reg = "python*"`，意味着n重复零次或更多次。所以我们看到了第一关结果的`pythonnnnnnnnn`尽可能多的匹配。

下面使用非贪婪的模式下的元字符：`reg = "python*?"`,`reg = "python+?"`,`reg = "python??"`。

![4ac0575c14ee3fd08a816541467cfe06.png][] 非贪婪模式下的`reg = "python*"`，意味着`n`零次或一次，所以我们没有看到`pythonnnnnnnnn`的结果。

# 手机号码验证 #

首先，我们要知道我们的手机号码是什么开头的？

移动手机号码开头有16个号段：134、135、136、137、138、139、147、150、151、152、157、158、159、182、187、188。

联通手机号码开头有7种号段：130、131、132、155、156、185、186。

电信手机号码开头有4个号段：133、153、180、189。

![c4ca37a965a230f2f6372839045a2aea.png][]

这样我们就可以在开头做事情了，先判断开头是不是上面的号段，`regex = "^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$"`，就是我们的元字符，代码如下：

import re
    
    def checkCellphone(cellphone):
        regex = "^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$"
        result = re.findall(regex,cellphone)
        if result:
            print("匹配成功")
            return True
        else:
            print("匹配失败")
            return False
    cellphone = '13717378202'
    checkCellphone(cellphone)
    
    
    匹配成功
    True

# 匹配邮箱合法性 #

下面，我们进行一个作业，就是来匹配我们的邮箱号码。

![6319815de3ed6350a49f944a4251b289.png][]

作业的答案如下：

import re
    
    def checkEmail(email):
    
        regex_1 = '^(\w+)@sina.com$'
        regex_2 = '^(\w+)@sina.com.cn$'
        regex_3 = '^(\w+)@163.com$'
        regex_4 = '^(\w+)@126.com$'
        regex_5 = '^[1-9][0,9]{4,}+@qq.com$'
        regex = [regex_1 ,regex_2 ,regex_3, regex_4, regex_5]
        for i in  regex:
            result = re.findall(i,email)
            if result:
                print("匹配成功")
                return True
            else:
                print("匹配失败")
                return False
    email = 'sdjflsdjkl@sina.com'
    checkEmail(email)

# 正则表达式测试工具 #

打开开源中国提供的正则表达式测试工具 [tool.oschina.net/regex/，输入待匹…][tool.oschina.net_regex]

例如，输入下面这段待匹配的文本：

Hello, my phone number is 123455678 and email is runsen@qq.com, and my website is https://blog.csdn.net/weixin_44510615.

这段字符串中包含了一个电话号码和一个电子邮件，接下来就尝试用正则表达式提取出来，如图所示。

![1e7448078055bf949e990e5c04813441.png][]

在网页右侧选择 “匹配 Email 地址”，就可以看到下方出现了文本中的 E-mail。如果选择 “匹配网址 URL”，就可以看到下方出现了文本中的 URL。是不是非常神奇？

![034ce5767db7bf10850f1099ab40c121.png][]

![2da617c90b7764d046ae8972b0c63429.png][]

> 本文已收录 GitHub，[传送门~][Link 1] ，里面更有大厂面试完整考点，欢迎 Star。

[0fc33d416b6fb8e6b10b5827ca3827c6.png]: /images/20221120/69dfddeccbf449158f8039bbffe85bbf.png
[b77efcf2fc1f085098c5a1ccf75992a5.png]: /images/20221120/9087d2b9bf534157a11b677020a1167f.png
[b2675bd64689db7b6e79cc585d69b2e8.png]: /images/20221120/a604f83fc19b498fb311bd89e37c344f.png
[612aa15c182e9410bd6a134296d61666.png]: /images/20221120/b3eb9139b0a243cdaa0bce16ae4e0087.png
[8cb5585686c64ae73675672de0035a4c.png]: /images/20221120/e42ff468c1654139bb1828b430b57d20.png
[a1f459cb46d46c941be77deba0eff725.png]: /images/20221120/d95b6a4229d343329389fb377df9a7de.png
[803c6c148090883c1e15fc2800893e9b.png]: /images/20221120/befb590c19a94458b5daa0137f041ceb.png
[8f3e18fe501ef0ca0d45081ad747aabf.png]: /images/20221120/81208d90b85d4a389f21a63b8e9a74e8.png
[9bf6584df3cdfb172ea34c18894117af.png]: /images/20221120/867d1b129af74402a34603c45af8d174.png
[d4d1cee16333b54c8c8634b6a1a081a3.png]: /images/20221120/313414bef4964fc58b0b3e4614135607.png
[4ac0575c14ee3fd08a816541467cfe06.png]: /images/20221120/4b6e00b794e04f069a2d67a71c835600.png
[c4ca37a965a230f2f6372839045a2aea.png]: /images/20221120/1580e638788741caa2bf61d0082aa398.png
[6319815de3ed6350a49f944a4251b289.png]: /images/20221120/5c509578d02c40ac839b460976bb55c4.png
[tool.oschina.net_regex]: http://tool.oschina.net/regex/%EF%BC%8C%E8%BE%93%E5%85%A5%E5%BE%85%E5%8C%B9%E9%85%8D%E7%9A%84%E6%96%87%E6%9C%AC%EF%BC%8C%E7%84%B6%E5%90%8E%E9%80%89%E6%8B%A9%E5%B8%B8%E7%94%A8%E7%9A%84%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%EF%BC%8C%E5%B0%B1%E5%8F%AF%E4%BB%A5%E5%BE%97%E5%87%BA%E7%9B%B8%E5%BA%94%E7%9A%84%E5%8C%B9%E9%85%8D%E7%BB%93%E6%9E%9C%E4%BA%86%E3%80%82
[1e7448078055bf949e990e5c04813441.png]: /images/20221120/8b84ef9acd8045508fb307ce4da0f70d.png
[034ce5767db7bf10850f1099ab40c121.png]: /images/20221120/1096ec3011e94c03826d359c3eca9a36.png
[2da617c90b7764d046ae8972b0c63429.png]: /images/20221120/d5ff623e73ac48b99b578b4b95307e24.png
[Link 1]: https://github.com/MaoliRUNsen/runsenlearnpy100