正则 python3.8 官方文档 (opens new window)

正则用法

# 这个模块提供了与 Perl 语言类似的正则表达式匹配操作
import re

# 模式和被搜索的字符串既可以是 Unicode 字符串 (str) ，也可以是8位字节串 (bytes)。 但是，Unicode 字符串与8位字节串不能混用
# 正则表达式使用反斜杠字符 ('\') 来表示特殊形式或是允许在使用特殊字符时不引发它们的特殊含义
# 解决办法是对于正则表达式样式使用 Python 的原始字符串表示法；在带有 'r' 前缀的字符串字面值中，反斜杠不必做任何特殊处理
# 有些字符，比如 '|' 或者 '('，属于特殊字符。 特殊字符既可以表示它的普通含义， 也可以影响它旁边的正则表达式的解释
# 重复修饰符 (*, +, ?, {m,n}, 等) 不能直接嵌套。这样避免了非贪婪后缀   ? 修饰符，和其他实现中的修饰符产生的多义性。
# 要应用一个内层重复嵌套，可以使用括号。 比如，表达式 (?:a{6})* 匹配6个 'a' 字符重复任意次数

# 特殊字符有
# .  (点) 在默认模式，匹配除了换行的任意字符。如果指定了标签 DOTALL ，它将匹配包括换行符的任意字符
# ^  (插入符号) 匹配字符串的开头， 并且在 MULTILINE 模式也匹配换行后的首个符号
# $  匹配字符串尾或者在字符串尾的换行符的前一个字符，在 MULTILINE 模式下也会匹配换行符之前的文本 ,注意特殊情况
# *  对它前面的正则式匹配0到任意次重复， 尽量多的匹配字符串。 ab* 会匹配 'a'，'ab'，或者 'a' 后面跟随任意个 'b'
# +  对它前面的正则式匹配1到任意次重复。 ab+ 会匹配 'a' 后面跟随1个以上到任意个 'b'，它不会匹配 'a'
# ?  对它前面的正则式匹配0到1次重复。 ab? 会匹配 'a' 或者 'ab'
# '*', '+'，和 '?' 修饰符都是 贪婪的；它们在字符串进行尽可能多的匹配，有时候并不需要这种行为
# .*? 非贪婪   .* 贪婪
# {m}  对其之前的正则式指定匹配 m 个重复；少于 m 的话就会导致匹配失败。比如， a{6} 将匹配6个 'a' , 但是不能是5个

# {m,n}  对正则式进行 m 到 n 次匹配，在 m 和 n 之间取尽量多，比如，a{3,5} 将匹配 3 到 5个 'a'，忽略 n 指定上界为无限次，
# 比如 a{4,}b 将匹配 'aaaab' 或者1000个 'a' 尾随一个 'b'，但不能匹配 'aaab'，逗号不能省略

# {m,n}?  前一个修饰符的非贪婪模式，只匹配尽量少的字符次数。比如，对于 'aaaaaa'， a{3,5} 匹配 5个 'a' ，而 a{3,5}? 只匹配3个 'a'
# \  转义特殊字符（允许你匹配 '*', '?', 或者此类其他），或者表示一个特殊序列

# []  用于表示一个字符集合。在一个集合中
# 字符可以单独列出，比如 [amk] 匹配 'a'， 'm'， 或者 'k'
# 可以表示字符范围，通过用 '-' 将两个字符连起来。比如 [a-z] 将匹配任何小写ASCII字符，[0-5][0-9] 将匹配从 00 到 59 的两位数字
#  如果 - 进行了转义 （比如 [a\-z]）或者它的位置在首位或者末尾（如 [-a] 或 [a-]），它就只表示普通字符 '-'
# 特殊字符在集合中，失去它的特殊含义。比如 [(+*)] 只会匹配这几个文法字符 '(', '+', '*', or ')'
# 字符类如 \w 或者 \S (如下定义) 在集合内可以接受，它们可以匹配的字符由 ASCII 或者 LOCALE 模式决定
# 取反：比如 [^5] 将匹配所有字符，除了 '5'
# 在集合内要匹配一个字符 ']'，有两种方法，要么就在它之前加上反斜杠，要么就把它放到集合首位。比如， [()[\]{}] 和 []()[{}] 都可以匹配括号

# |  A|B， A 和 B 可以是任意正则表达式，创建一个正则表达式，匹配 A 或者 B
# (...)  （组合），匹配括号内的任意正则表达式，并标识出组合的开始和结尾，在findall的时候使用
# (?#...) 注释；里面的内容会被忽略
# 还有其他更多的情况，参考文档


# \number  匹配数字代表的组合。每个括号是一个组合，组合从1开始编号。比如 (.+) \1 匹配 'the the' 或者 '55 55'
# \A  只匹配字符串开始
# \b  匹配空字符串，但只在单词开始或结尾的位置
# \B  匹配空字符串，但 不 能在词的开头或者结尾
# \d  匹配任意数字，等价于 [0-9]
# \D  匹配任意非数字
# \s  匹配任何Unicode空白字符（包括 [ \t\n\r\f\v] ，还有很多其他字符，比如不同语言排版规则约定的不换行空格）
# \S  匹配任何非空白字符
# \w  匹配字母数字及下划线 [a-zA-Z0-9_]
# \W  匹配非字母数字及下划线
# \Z  只匹配字符串尾


# re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配
matchObj = re.match('[a-z]{3}', '1hello', re.M | re.A)
if matchObj:
    print(matchObj.group())
else:
    print('不匹配')

searchObj = re.search('[a-z]{3}', '1hello', re.M | re.A)
if searchObj:
    print(searchObj.group())
else:
    print('不匹配')


# 注意电话号码不要限制太死，可能涉及到后面更新，有新的规则出现，具体可以查找各个号码
def match_phone_number(number):
    m = re.match('^1[3-9]\\d{9}$', number)
    if m:
        print(m.group())
        return True
    else:
        print('电话号码不正确')
        return False


match_phone_number('13012341234')
match_phone_number('130123412341')

# 其他使用请参考官网

# (.*?)  正则匹配
s = '<div class="nam">中国</div>'
res = re.findall(r'<div class=".*">(.*?)</div>', s)
print(res)  # ['中国']


# re.compile(pattern, flags=0) ，将正则表达式的样式编译为一个 正则表达式对象 （正则对象），可以用于匹配，通过这个对象的方法 match(), search() 以及其他如下描述
# prog = re.compile(pattern)
# result = prog.match(string)
# 上面两行等同于：result = re.match(pattern, string) ，但是上面的prog可以重复使用，提高效率


# re.sub(pattern, repl, string, count=0, flags=0)
# 返回通过使用 repl 替换在 string 最左边非重叠出现的 pattern 而获得的字符串。 如果样式没有找到，则不加改变地返回 string

def dashrepl(matchobj):
    if matchobj.group(0) == '-':
        return ' '
    else:
        return '-'


res = re.sub('-{1,2}', dashrepl, 'pro----gram-files')
print(res)  # pro--gram files

a = "张明 98分"
print(re.sub(r'\d+', '100', a))

# 按 : 和 空格 分割
s = "info:xiaoZhang 33 shandong"
print(re.split(r':| ', s))  # ['info', 'xiaoZhang', '33', 'shandong']