Regex 正则表达式入门

0,什么是正则表达式

正则表达式Regular Expression简写为Regex),又称为规则表达式,它是一种强大的文本匹配模式,其用于在字符串中查找匹配符合特定规则的子串。

正则表达式是独立于编程语言而存在的,它并不依赖于某种编程语言。只要一种编程语言实现了正则表达式引擎,那么这种编程语言,就具备了正则表达式模式匹配的功能。每种工具编程语言对正则表达式的实现,虽有细节上的不同,但基本的使用是相同的。

正则表达式的基本工作原理如下:

1,正则表达式的由来

1956 年,美国数学家Stephen Kleene 在两位神经生理学家(Warren McCullochWalter Pitts)的早期工作的基础上,发表了一篇标题为神经网事件的表示法的论文,由此引入了正则表达式的概念。

之后,Unix 之父Ken Thompson把这一成果应用于计算搜索算法的一些早期研究。随后,他将这一符号系统应用于Unix 系统中的 qed 编辑器,这是正则表达式的第一个实用程序。

此后,正则表达式被广泛的应用于类Unix 系统的工具中,如 grepperl 等。

2,正则表达式工具

RegexBuddy 是一个很不错的软件。

Regexr 是一个在线工具。

3,正则表达式语法

正则表达式由一些普通字符(比如英文字母,数字)和元字符(代表特定含义)组成。

正则表达式作为一个字符模板,在字符串中匹配一个或多个符合特定规则的子串。

3.1,元字符

元字符就是包含特定含义的字符。如果想匹配这些元字符,需要使用转义字符\ 进行转义。

下表是一些常用的元字符:

字符 含义
\ 转义字符,常用于转义元字符
. 匹配除换行符\n 之外的任何单字符
$ 匹配字符串的结尾位置
^ 匹配字符串的开始位置。当写在中括号[]内时,表示不匹配该中括号中的字符集合
[^xy] 匹配非x非y字符
() 被小括号包含的多个字符,将作为一整个字符
(pattern) 写在小括号()内的表达式,表示一个分组,用于提取内容
(?:pattern) 只表示一个分组,不提取内容
[] 被中括号包含的多个字符,这多个字符的关系是逻辑或的关系
[xyz] 字符集合,匹配xyz
[0-9] 匹配09之间的数字
[a-z] 匹配az之间的字符
[^a-z] 匹配不在az范围内的任意字符
| 写在两个字符之间,代表逻辑或的关系
x|y 匹配xy
\b 匹配一个单词边界
\B 匹配非单词边界
\d 匹配一个数字字符,等价于[0-9]
\D 匹配一个非数字字符,等价于[^0-9]
\s 匹配任何空白字符,包括空格制表符
\S 匹配任何非空白字符
\w 匹配字母数字下划线,等价于[A-Za-z0-9_]
\W 匹配非字母非数字非下划线,等价于[^A-Za-z0-9_]
\f 匹配换页符
\n 匹配换行符
\r 匹配回车符
\t 匹配制表符
\v 匹配垂直制表符

3.2,限定符

限定符也属于元字符,用来限定一个子表达式出现的次数。

字符 含义
* 匹配前面的子表达式零次多次
+ 匹配前面的子表达式一次多次
? 匹配前面的子表达式零次一次
{n} 匹配前面的子表达式n次
{n,} 匹配前面的子表达式至少n次
{n,m} 匹配前面的子表达式n 到m 次

4,正则表达式示例

我们逐个介绍一下每种元字符的使用方式,下面的例子我们都使用RegexBuddy 软件来演示。

4.1,转义字符\

转义字符用来对一些元字符进行转义,使这些元字符失去其特定的含义,只表示一个普通的字符。

比如我们想匹配字符串aaa^bbb 中的a^b 子串,我们需要用模式a\^b 来匹配,^ 之前需要加一个转义字符\

4.2,元字符.

元字符. 可匹配任意(除了换行符\n)的单字符,意思就是. 可以代表任意(除了换行符\n)的单字符。

4.3,开始位置^与结束位置$

符号^ 表示匹配的子串在行首,符号$ 表示匹配的子串在行尾

匹配行首

匹配行尾

行首行尾

4.4,逻辑或|

符号| 写在两个子表达式之间表示逻辑或的意思。

例如模式串ab|cd,匹配abcd

4.5,限定符

限定符用于限定一个子表达式出现的次数,一共6 种,这里给出一些示例。

符号*

模式串ab*c,表示字符ac 之间需要出现0 次多次字符b

符号+

模式串ab+c,表示字符ac 之间需要出现1 次多次字符b,即至少出现1次字符b

符号?

模式串ab?c,表示字符ac 之间需要出现0 次1次字符b

符号{n}{n,}{n,m}

  • ab{3}c:符号b 出现的次数必须是3
  • ab{3,}c:符号b 出现的次数必须大于等于3
  • ab{3,5}c:符号b 出现的次数必须在35 之间,包括35

4.6,字符簇[]

写在中括号[] 内的多个字符代表逻辑或的意思。

模式串a[bef]c,表示ac中间的字符必须是bef

当符号^ 写在中括号[] 内时,表示逻辑非的意思。

模式串a[^bef]c,表示ac中间的字符不能是bef

符号- 写在中括号[],表示范围的意思:

示例 含义
[a-z] 表示az 之间的任意字符
[A-Z] 表示AZ 之间的任意字符
[0-9] 表示09 之间的任意数字,含义同\d
[^0-9] 表示任意非数字,含义同\D
[A-Za-z0-9_] 表示任意字母数字下划线 ,含义同\w
[^A-Za-z0-9_] 表示任意非字母非数字非下划线 ,含义同\W
[ \f\r\t\n] 表示任意的空白字符,含义同\s
[^ \f\r\t\n] 表示任意的非空白字符,含义同\S

4.7,字符组合()

写在小括号()中的多个字符,会被看成一个整体。

4.8,单词边界\b\B

符号\b 是指一个单词边界,比如空白字符和标点符号等。
符号\B 表示非单词边界

5,贪婪与非贪婪模式

正则表达式中贪婪的意思就是贪多,意思就是正则在匹配的过程中,总是去匹配尽可能多的字符,符号? 可以将贪婪转换为非贪婪

6,在Python 中使用正则

Python 中提供了re 模块,用于支持正则表达式功能。

python 中一般在表达式前加r,表示原始字符,不用考虑转义的问题。例如r'abc'

下面打开python 终端:

  • 首先引入模块,import re
  • help(re) 可查看re 模块帮助手册
  • dir(re) 可查看其支持的属性和方法
>>> python		`打开python 终端`
_____________________________________________
Python 2.7.17 (default, Nov  7 2019, 10:07:09) 
[GCC 7.4.0] on linux2
Type "help", "copyright", "credits" or "license" for more information.

>>> import re   # 引入re 模块
>>> 
>>> help(re)	# 查看帮助手册
>>>
>>> dir(re)		# 查看re 支持的属性和方法

6.1,re 模块常用方法

方法 含义
match 用于匹配表达式
search 查找匹配项
findall 查找所有的匹配项
compile 编译正则表达式

详细解释:

match(pattern, string, flags=0)
        Try to apply the pattern at the start of the string, returning
        a match object, or None if no match was found.

search(pattern, string, flags=0)
        Scan through string looking for a match to the pattern, returning
        a match object, or None if no match was found.
        
findall(pattern, string, flags=0)
        Return a list of all non-overlapping matches in the string.
        
        If one or more groups are present in the pattern, return a
        list of groups; this will be a list of tuples if the pattern
        has more than one group.
        
        Empty matches are included in the result.

compile(pattern, flags=0)
        Compile a regular expression pattern, returning a pattern object.

可以看到,每个方法中都有一个flag 参数,它表示匹配模式,默认值为0,表示普通模式。

flag 参数的值有以下几种选择,可以使用符号| 连接多种选择:

`I/IGNORECASE`  Perform case-insensitive matching.
`L/LOCALE`      Make \w, \W, \b, \B, dependent on the current locale.
`M/MULTILINE`   "^" matches the beginning of lines (after a newline)
                as well as the string.
                "$" matches the end of lines (before a newline) as well
                as the end of the string.
`S/DOTALL`      "." matches any character at all, including the newline.
`X/VERBOSE`     Ignore whitespace and comments for nicer looking RE's.
`U/UNICODE`     Make \w, \W, \b, \B, dependent on the Unicode locale.

6.2,match 方法

re.match 尝试从字符串的起始位置开始匹配:

  • 成功:返回SRE_Match 对象
  • 失败:返回None
>>> m = re.match(r'abc', 'abcde')
>>> print m  # 匹配成功
<_sre.SRE_Match object at 0x7f91544cff80>	
>>> 
>>> 
>>> m = re.match(r'abc', 'fabcde')
>>> print m  # `fabcde` 不是以`abc` 开头,匹配失败                  
None                     
>>>

6.3,search 方法

re.search 扫描整个字符串,直到找到第一个成功的匹配:

  • 成功:返回SRE_Match 对象
  • 失败:返回None
>>> m = re.search(r'abc', 'abcde')
>>> print m  # 匹配成功
<_sre.SRE_Match object at 0x7f91544cff80>
>>>
>>> m = re.search(r'abc', 'fabcde')
>>> print m # 匹配成功
<_sre.SRE_Match object at 0x7f9154521b90>

6.4,findall 方法

re.findall 在字符串中查找所有匹配的子串:

  • 成功:返回一个列表
  • 失败:返回空列表[]
>>> re.findall(r'abc', 'fabcdeabc')
['abc', 'abc']		# 找到两个`abc` 子串
>>> 
>>> re.findall(r'abce', 'fabcdeabc')
[]                  # 没找到子串
>>> 

6.5,compile 方法

在使用正则时,re 模块会先将正则表达式进行编译,然后才会去字符串中匹配。

如果一个正则表达式会使用很多次,我们可以使用re.compile 方法对表达式进行预编译,这样就不会在每次用到这个表达式时都进行编译,有助于提高效率。

该方法返回一个SRE_Pattern 对象,该对象又包含matchsearchfindall 等方法,使用方法如下:

>>> reg =  re.compile(r'abc')      # 编译
>>> 
>>> type(reg)
<type '_sre.SRE_Pattern'>
>>>
>>> reg.findall('fabcdeabc')      # 找到两个
['abc', 'abc']  
>>> 
>>> reg.match('fabcdeabc')        # 没有匹配上
>>> 
>>> reg.search('fabcdeabc')       # 匹配上
<_sre.SRE_Match object at 0x7f9154521b90>

6.6,SRE_Match 对象

SRE_Match 对象用于获取分组,写在小括号()内的表达式是一个分组。

>>> # 正则中包含两个分组
>>> m = re.match(r'(\d*)-(\w*)', '123-abc-')
>>> m
<_sre.SRE_Match object at 0x7f91544e0ae0>
>>> m.group(0) # 获取整个匹配的串,同 m.group()
'123-abc'
>>> m.group(1) # 获取第一个分组
'123'
>>> m.group(2) # 获取第二个分组
'abc'
>>>

6.7,match,search,findall 比较

我们来看下matchsearchfindall 三个方法的异同点:

  • match:必须从字符串的开头匹配,只会有一个匹配项,返回结果是SRE_Match 对象
  • search:扫描整个字符串,直到匹配到第一个为止,只会有一个匹配项,返回结果是SRE_Match 对象
  • findall:扫描整个字符串,返回所有的匹配项,返回结果是一个字符串列表

(完。)

© 版权声明
THE END
喜欢就支持一下吧!
点赞0
分享