简介
起源于1951年数学家斯蒂芬·科尔·克莱尼发明的一种称之为“正则集合”的数学符号。
定义
即文本的高级匹配模式,提供搜索,替换等功能。其本质是由一系列字符和特殊符号构成的字串,这个字串即正则表达式。
原理
通过普通字符和有特定含义的字符,来组成字符串,用以描述一定的字符串规则,比如:重复,位置等,来表达某类特定的字符串,进而匹配。
普通字符
- 匹配规则:每个普通字符匹配其对应的字符
e.g.
In: re.findall('ab',"abcdefabcd")
Out:['ab','ab']
- 注:正则表达式在python中也可以匹配中文
元字符使用
或关系
元字符: |
匹配规则: 匹配 | 两侧任意的正则表达式即可
e.g.
In: re.findall('com|cn',"www.baidu.com/www.tmooc.cn")
Out:['com','cn']
匹配单个字符
元字符: .
匹配规则:匹配除换行外的任意一个字符
e.g.
In: re.findall('张.丰',"张三丰,张四丰,张五丰")
Out:['张三丰','张四丰','张五丰']
匹配字符集
元字符: [字符集]
匹配规则: 匹配字符集中的任意一个字符
表达形式:
[abc#!好] 表示 [] 中的任意一个字符
[0-9],[a-z],[A-Z] 表示区间内的任意一个字符
[_#?0-9a-z] 混合书写,一般区间表达写在后面
e.g.
In: re.findall('[aeiou]',"How are you!")
Out:['o','a','e','o','u']
匹配字符集反集
元字符:[ ^字符集]
匹配规则:匹配除了字符集以外的任意一个字符
e.g.
In: re.findall('[^0-9]',"Use 007 port")
Out:['U','s','e',' ',' ','p','o','r','t']
匹配字符串开始位置
元字符: ^
匹配规则:匹配目标字符串的开头位置
e.g.
In: re.findall('^Jame',"Jame,hello")
Out:['Jame']
匹配字符串的结束位置
元字符: $
匹配规则: 匹配目标字符串的结尾位置
e.g.
In: re.findall('Jame$',"Hi,Jame")
Out:['Jame']
- 规则技巧: ^ 和 $必然出现在正则表达式的开头和结尾处。如果两者同时出现,则中间的部分必须匹配整个目标字符串的全部内容。
匹配字符重复
元字符: *
匹配规则:匹配前面的字符出现0次或多次
e.g.
In: re.findall('wo*',"wooooo~~w!")
Out:['wooooo','w']
元字符:+
匹配规则: 匹配前面的字符出现1次或多次
e.g.
In: re.findall('[A-Z][a-z]+',"Hello World")
Out:['Hello','World']
元字符:?
匹配规则: 匹配前面的字符出现0次或1次
e.g. 匹配整数
In[28]: re.findall('-?[0-9]+',"Jame,age:18, -26")
Out[28]:['18','-26']
元字符:{n}
匹配规则: 匹配前面的字符出现n次
e.g. 匹配手机号码
In: re.findall('1[0-9]{10}',"Jame:13886495728")
Out:['13886495728']
元字符:{m,n}
匹配规则: 匹配前面的字符出现m-n次
e.g. 匹配qq号
In: re.findall('[1-9][0-9]{5,10}',"Baron:1259296994")
Out:['1259296994']
匹配任意(非)数字字符
元字符: \d \D
匹配规则:\d 匹配任意数字字符,\D 匹配任意非数字字符
e.g. 匹配端口
In: re.findall('\d{1,5}',"Mysql: 3306, http:80")
Out:['3306','80']
匹配任意(非)普通字符
元字符: \w \W
匹配规则: \w 匹配普通字符,\W 匹配非普通字符
说明: 普通字符指数字,字母,下划线,汉字。
e.g.
In: re.findall('\w+',"server_port = 8888")
Out:['server_port','8888']
匹配任意(非)空字符
元字符: \s \S
匹配规则: \s 匹配空字符,\S 匹配非空字符
说明:空字符指 空格 \r \n \t \v \f 字符
e.g.
In: re.findall('\w+\s+\w+',"hello world")
Out:['hello world']
匹配开头结尾位置
元字符: \A \Z
匹配规则: \A 表示开头位置,\Z 表示结尾位置
匹配(非)单词的边界位置
元字符: \b \B
匹配规则: \b 表示单词边界,\B 表示非单词边界
说明:单词边界指数字字母(汉字)下划线与其他字符的交界位置。
e.g.
In: re.findall(r'\bis\b',"This is a test.")
Out:['is']
类别 | 元字符 |
---|---|
匹配字符 | . […] [^…] \d \D \w \W \s \S |
匹配重复 | * + ? {n} {m,n} |
匹配位置 | ^ $ \A \Z \b \B |
其他 | | () \ |
正则表达式的转义
- 如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。
特殊字符: . * + ? ^ $ [] () {} | \
e.g. 匹配特殊字符. 时使用 \. 表示本身含义
In: re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")
Out:['123','-123','1.23','-1.23']
- 在编程语言中,常使用原生字符串书写正则表达式避免多重转义的麻烦。
e.g.
python字符串--> 正则--> 目标字符串"\\$\\d+" 解析为 \$\d+ 匹配"$100""\\$\\d+" 等同于 r"\$\d+"
贪婪模式和非贪婪模式
- 定义
贪婪模式: 默认情况下,匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}
非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。
- 贪婪模式转换为非贪婪模式
- 在匹配重复元字符后加 ‘?’ 号即可
*:*?+:+?
?: ??{m,n}:{m,n}?
e.g.
In: re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
Out:['(abcd)','(higk)']
正则表达式分组
- 定义
在正则表达式中,以()建立正则表达式的内部分组,子组是正则表达式的一部分,可以作为内部整体操作对象。
- 作用
- 可以被作为整体操作,改变元字符的操作对象
e.g. 改变+号 重复的对象
In: re.search(r'(ab)+',"ababababab").group()
Out:'ababababab'
e.g. 改变|号 操作对象
In: re.search(r'(王|李)\w{1,3}',"王者荣耀").group()
Out:'王者荣耀'
- 可以通过编程语言某些接口获取匹配内容中,子组对应的内容部分
e.g. 获取url协议类型
re.search(r'(https|http|ftp|file)://\S+',"https://www.baidu.com").group(1)
- 捕获组
可以给正则表达式的子组起一个名字,表达该子组的意义。这种有名称的子组即为捕获组。
格式:
(?P<name>pattern)
e.g. 给子组命名为"pig"
In: re.search(r'(?P<pig>ab)+',"ababababab").group('pig')
Out:'ab'
- 注意事项
- 一个正则表达式中可以包含多个子组
- 子组可以嵌套,但是不要重叠或者嵌套结构复杂
- 子组序列号一般从外到内,从左到右计数
非捕获组
格式:
(?:xxx)
匹配 xxx 但是不记住匹配项。这种括号叫作非捕获括号,使得你能够定义与正则表达式运算符一起使用的子表达式。看看这个例子 /(?:foo){1,2}/。如果表达式是 /foo{1,2}/,{1,2} 将只应用于 ‘foo’ 的最后一个字符 ‘o’。如果使用非捕获括号,则 {1,2} 会应用于整个 ‘foo’ 单词。
三者的区别:
格式 | 区别 | |
---|---|---|
子组 | (pattern) | 分组作为内部整体操作对象,记住匹配项【部分方法适用】 |
捕获组 | (?Ppattern) | 分组作为内部整体操作对象,记住匹配项,且分组有名字 |
非捕获组 | (?:pattern) | 分组作为内部整体操作对象,不记住匹配项 |