【python】正则表达式、re模块、分组匹配

素颜马尾好姑娘i 2022-11-29 12:17 218阅读 0赞

#### 1.正则表达式 ####

正则（Regular Expression）表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

用来匹配或者查找符合某些规则的字符串

#### 2.re模块 ####

python提供了一个re模块，该模块可以处理跟正则有关的操作  
比较常用的方法如下

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>match()</td> 
   <td>从字符串第一个字符开始匹配，若匹配不到返回none</td> 
  </tr> 
  <tr> 
   <td>fullmatch()</td> 
   <td>匹配整个字符串，若匹配不到返回none</td> 
  </tr> 
  <tr> 
   <td>search()</td> 
   <td>匹配整个字符串，返回第一个成功的匹配</td> 
  </tr> 
  <tr> 
   <td>findall()</td> 
   <td>返回所有符合规则的子串，返回一个列表</td> 
  </tr> 
  <tr> 
   <td>finditer()</td> 
   <td>返回所有符合规则的子串，返回一个迭代器</td> 
  </tr> 
  <tr> 
   <td>sub()</td> 
   <td>替换匹配到的字符串</td> 
  </tr> 
  <tr> 
   <td>compile()</td> 
   <td>编译正则表达式，再使用match等函数进行匹配</td> 
  </tr> 
 </tbody> 
</table>

match 和 search 是匹配一次，而findall是匹配所有，可以用于网络爬虫等场景

**re.match()**

# 第一个参数是表达式，第二个参数是待匹配的字符串
    res = re.match('hell', 'hello word')
    # 打印匹配到的字符串的位置和字符串内容
    print(res.span(), res.group())  # 结果 (0, 4) hell
    
    res = re.match('ell', 'hello word')  # 匹配失败

**re.fullmatch()**

res = re.fullmatch('hello word', 'hello word')
    print(res.span(), res.group())  # 结果 (0, 10) hello word
    
    res = re.fullmatch('hello', 'hello word')  # 匹配失败

**re.search()**

# 第一个参数是表达式，第二个参数是待匹配的字符串
    res = re.search('wo', 'hello word')
    print(res.span(), res.group())  # 结果 (6, 8) wo

**re.sub()**

# 把一个字符串的-替换成空字符
    res = re.sub('-', '', '155-1234-5678')
    print(res)  # 结果 15512345678

**re.findall()**

res = re.findall('aa', '133aa541dsfaa11dfaad51waa')
    print(res)  # 结果 ['aa', 'aa', 'aa', 'aa']

**re.compile()**

pattern = re.compile('aa')
    res = pattern.findall('133aa541dsfaa11dfaad51waa')
    print(res)  # 结果 ['aa', 'aa', 'aa', 'aa']

#### 3.匹配单个字符 ####

<table> 
 <thead> 
  <tr> 
   <th>符号</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>.</td> 
   <td>匹配任意字符，除了\r\n换行符</td> 
  </tr> 
  <tr> 
   <td>[ ]</td> 
   <td>匹配[ ]里列出的任意一个字符</td> 
  </tr> 
  <tr> 
   <td>\d</td> 
   <td>匹配0-9的任意一个数字</td> 
  </tr> 
  <tr> 
   <td>\D</td> 
   <td>匹配一个任意非数字</td> 
  </tr> 
  <tr> 
   <td>\s</td> 
   <td>匹配空白，如空格、tab等</td> 
  </tr> 
  <tr> 
   <td>\S</td> 
   <td>匹配任意非空白</td> 
  </tr> 
  <tr> 
   <td>\w</td> 
   <td>匹配任意一个非特殊字符，如字母、数字、下划线、汉字等</td> 
  </tr> 
  <tr> 
   <td>\W</td> 
   <td>匹配特殊字符，非字母、数字、下划线、汉字</td> 
  </tr> 
 </tbody> 
</table>

#### 4.匹配多个字符 ####

<table> 
 <thead> 
  <tr> 
   <th>符号</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*</td> 
   <td>前一个字符出现0次或多次</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>前一个字符出现1次或多次</td> 
  </tr> 
  <tr> 
   <td>?</td> 
   <td>前一个字符出现0次或1次</td> 
  </tr> 
  <tr> 
   <td>{m}</td> 
   <td>前一个字符出现m次</td> 
  </tr> 
  <tr> 
   <td>{m,n}</td> 
   <td>前一个字符出现m到n次</td> 
  </tr> 
  <tr> 
   <td>{,n}</td> 
   <td>前一个字符最多出现n次，最少次数不限</td> 
  </tr> 
  <tr> 
   <td>{m,}</td> 
   <td>前一个字符最少出现m次，最多次数不限</td> 
  </tr> 
 </tbody> 
</table>

注意：\*和+都表示贪婪模式，只要符合要求，就会尽量包含更多字符串，而?表示非贪婪模式

#### 5.匹配开头和结尾 ####

<table> 
 <thead> 
  <tr> 
   <th>符号</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>^</td> 
   <td>以某个字符开头，如^A表示第一个字符是A</td> 
  </tr> 
  <tr> 
   <td>$</td> 
   <td>以某个字符结尾，如d$表示最后一个字符是d</td> 
  </tr> 
 </tbody> 
</table>

注意：^除了表示以什么字符开头，还可以表示不包含某些字符  
如 \[^abc\]表示不包括a或b或c的其他字符

#### 6.分组匹配 ####

<table> 
 <thead> 
  <tr> 
   <th>符号</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>|</td> 
   <td>匹配左右任意一个表达式</td> 
  </tr> 
  <tr> 
   <td>( )</td> 
   <td>每个括号作为一个分组</td> 
  </tr> 
  <tr> 
   <td>\num</td> 
   <td>引用分组匹配到的字符串</td> 
  </tr> 
  <tr> 
   <td>(?P&lt;name&gt;)</td> 
   <td>给分组起一个别名</td> 
  </tr> 
  <tr> 
   <td>(?P=name)</td> 
   <td>通过别名引用匹配到的字符串</td> 
  </tr> 
 </tbody> 
</table>

# 需求：匹配出<html><h1>www.baidu.com</h1></html>
    
    html = "<html><h1>www.baidu.com</h1></html>"
    
    # \1和\2分别表示前面分组的第一个和第二个的内容，但是使用前应该再加一个反斜杠进行转义
    res = re.match('<([a-zA-Z1-6]+)><([a-zA-Z1-6]+)>.*</\\2></\\1>', html)
    print(res.group())  # 结果 <html><h1>www.baidu.com</h1></html>
    
    # 通过起别名的方式进行分组引用
    res = re.match('<(?P<name1>[a-zA-Z1-6]+)><(?P<name2>[a-zA-Z1-6]+)>.*</(?P=name2)></(?P=name1)>', html)
    print(res.group())  # 结果 <html><h1>www.baidu.com</h1></html>

#### 7.常用应用 ####

匹配IPV4地址

patten = "((25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))\.){3}(25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))"
    print(re.match(patten, "192.168.3.65"))