Python 正则表达式

**正**则**表**达式 (RegEx) 是一系列字符，用于定义搜索模式。例如：

^a...s$

上述代码定义了一个 RegEx 模式。该模式是：**任何以 a 开头，以 s 结尾的五个字母的字符串**。

使用 RegEx 定义的模式可用于匹配 字符串。

Python 有一个名为 re 的模块，用于处理 RegEx。这是一个例子

import re

pattern = '^a...s$'
test_string = 'abyss'
result = re.match(pattern, test_string)

if result:
  print("Search successful.")
else:
  print("Search unsuccessful.")	

在这里，我们使用 re.match() 函数 在 test_string 中搜索 pattern。如果搜索成功，该方法返回一个匹配对象。否则，它返回 None。

re 模块中定义了其他几个用于处理 RegEx 的函数。在我们探索这些函数之前，让我们先了解正则表达式本身。

如果您已经了解 RegEx 的基础知识，请跳转到 Python RegEx。

使用 RegEx 指定模式

为了指定正则表达式，使用了元字符。在上面的例子中，^ 和 $ 是元字符。

元字符

元字符是 RegEx 引擎以特殊方式解释的字符。以下是元字符列表

[] . ^ $ * + ? {} () \ |

[] - 方括号

方括号指定您希望匹配的一组字符。

在这里，如果字符串包含 a、b 或 c 中的任何一个，则 [abc] 将匹配。

您还可以使用方括号内的 - 指定字符范围。

• [a-e] 与 [abcde] 相同。
• [1-4] 与 [1234] 相同。
• [0-39] 与 [01239] 相同。

您可以使用方括号开头的脱字符 ^ 符号来补充（反转）字符集。

• [^abc] 表示除 a、b 或 c 之外的任何字符。
• [^0-9] 表示任何非数字字符。

. - **句点**

句点匹配任何单个字符（除了换行符 '\n'）。

^ - **脱字符**

脱字符号 ^ 用于检查字符串是否**以**某个字符**开头**。

$ - **美元符号**

美元符号 $ 用于检查字符串是否**以**某个字符**结尾**。

* - **星号**

星号 * 匹配其左侧模式的**零个或多个出现**。

+ - **加号**

加号 + 匹配其左侧模式的**一个或多个出现**。

? - **问号**

问号 ? 匹配其左侧模式的**零个或一个出现**。

{} - **大括号**

考虑这段代码：{n,m}。这意味着其左侧模式至少重复 n 次，最多重复 m 次。

我们再试一个例子。这个 RegEx [0-9]{2, 4} 匹配至少 2 位但不超过 4 位的数字。

| - **交替**

竖线 | 用于交替（或 运算符）。

在这里，a|b 匹配包含 a 或 b 的任何字符串

() - **组**

括号 () 用于对子模式进行分组。例如，(a|b|c)xz 匹配任何与 a、b 或 c 后面跟着 xz 匹配的字符串。

\ - **反斜杠**

反斜杠 \ 用于转义各种字符，包括所有元字符。例如，

\$a 匹配字符串中包含 $ 后跟 a 的情况。在这里，$ 不会被 RegEx 引擎以特殊方式解释。

如果您不确定某个字符是否具有特殊含义，可以在其前面加上 \。这可以确保该字符不会被特殊处理。

特殊序列

特殊序列使常用模式更易于编写。以下是特殊序列列表

\A - 匹配字符串开头指定的字符。

\b - 匹配单词开头或结尾处的指定字符。

\B - 与 \b 相反。如果指定字符**不**在单词的开头或结尾，则匹配。

\d - 匹配任何十进制数字。等同于 [0-9]

\D - 匹配任何非十进制数字。等同于 [^0-9]

\s - 匹配字符串中包含任何空白字符的位置。等同于 [ \t\n\r\f\v]。

\S - 匹配字符串中包含任何非空白字符的位置。等同于 [^ \t\n\r\f\v]。

\w - 匹配任何字母数字字符（数字和字母）。等同于 [a-zA-Z0-9_]。顺便说一下，下划线 _ 也被视为字母数字字符。

\W - 匹配任何非字母数字字符。等同于 [^a-zA-Z0-9_]

\Z - 匹配字符串末尾的指定字符。

**提示：** 要构建和测试正则表达式，您可以使用 RegEx 测试工具，例如 regex101。此工具不仅可以帮助您创建正则表达式，还可以帮助您学习它。

现在您已经了解了 RegEx 的基础知识，下面我们讨论如何在 Python 代码中使用 RegEx。

Python RegEx

Python 有一个名为 re 的模块来处理正则表达式。要使用它，我们需要导入该模块。

import re

该模块定义了几个函数和常量来处理 RegEx。

re.findall()

re.findall() 方法返回一个包含所有匹配项的字符串列表。

示例 1：re.findall()

# Program to extract numbers from a string

import re

string = 'hello 12 hi 89. Howdy 34'
pattern = '\d+'

result = re.findall(pattern, string) 
print(result)

# Output: ['12', '89', '34']

如果未找到模式，re.findall() 返回一个空列表。

re.split()

re.split 方法在匹配处分割字符串，并返回一个发生分割的字符串列表。

示例 2：re.split()

import re

string = 'Twelve:12 Eighty nine:89.'
pattern = '\d+'

result = re.split(pattern, string) 
print(result)

# Output: ['Twelve:', ' Eighty nine:', '.']

如果未找到模式，re.split() 将返回包含原始字符串的列表。

您可以将 maxsplit 参数传递给 re.split() 方法。它是将发生的最大分割数。

import re

string = 'Twelve:12 Eighty nine:89 Nine:9.'
pattern = '\d+'

# maxsplit = 1
# split only at the first occurrence
result = re.split(pattern, string, 1) 
print(result)

# Output: ['Twelve:', ' Eighty nine:89 Nine:9.']

顺便说一下，maxsplit 的默认值为 0；表示所有可能的分割。

re.sub()

re.sub() 的语法是

re.sub(pattern, replace, string)

该方法返回一个字符串，其中匹配的出现被 replace 变量的内容替换。

示例 3：re.sub()

# Program to remove all whitespaces
import re

# multiline string
string = 'abc 12\
de 23 \n f45 6'

# matches all whitespace characters
pattern = '\s+'

# empty string
replace = ''

new_string = re.sub(pattern, replace, string) 
print(new_string)

# Output: abc12de23f456

如果未找到模式，re.sub() 将返回原始字符串。

您可以将 count 作为第四个参数传递给 re.sub() 方法。如果省略，则结果为 0。这将替换所有出现。

import re

# multiline string
string = 'abc 12\
de 23 \n f45 6'

# matches all whitespace characters
pattern = '\s+'
replace = ''

new_string = re.sub(r'\s+', replace, string, 1) 
print(new_string)

# Output:
# abc12de 23
# f45 6

re.subn()

re.subn() 与 re.sub() 类似，不同之处在于它返回一个包含新字符串和替换次数的 2 项元组。

示例 4：re.subn()

# Program to remove all whitespaces
import re

# multiline string
string = 'abc 12\
de 23 \n f45 6'

# matches all whitespace characters
pattern = '\s+'

# empty string
replace = ''

new_string = re.subn(pattern, replace, string) 
print(new_string)

# Output: ('abc12de23f456', 4)

re.search()

re.search() 方法接受两个参数：一个模式和一个字符串。该方法查找 RegEx 模式与字符串首次匹配的位置。

如果搜索成功，re.search() 返回一个匹配对象；如果失败，则返回 None。

match = re.search(pattern, str)

示例 5：re.search()

import re

string = "Python is fun"

# check if 'Python' is at the beginning
match = re.search('\APython', string)

if match:
  print("pattern found inside the string")
else:
  print("pattern not found")  

# Output: pattern found inside the string

这里，match 包含一个匹配对象。

匹配对象

您可以使用 dir() 函数获取匹配对象的方法和属性。

一些常用的匹配对象方法和属性有

match.group()

group() 方法返回字符串中匹配的部分。

示例 6：匹配对象

import re

string = '39801 356, 2102 1111'

# Three digit number followed by space followed by two digit number
pattern = '(\d{3}) (\d{2})'

# match variable contains a Match object.
match = re.search(pattern, string) 

if match:
  print(match.group())
else:
  print("pattern not found")

# Output: 801 35

在这里，match 变量包含一个匹配对象。

我们的模式 (\d{3}) (\d{2}) 有两个子组 (\d{3}) 和 (\d{2})。您可以获取这些带括号的子组的字符串部分。方法如下

>>> match.group(1)
'801'

>>> match.group(2)
'35'
>>> match.group(1, 2)
('801', '35')

>>> match.groups()
('801', '35')

match.start()、match.end() 和 match.span()

start() 函数返回匹配子字符串的起始索引。类似地，end() 返回匹配子字符串的结束索引。

>>> match.start()
2
>>> match.end()
8

span() 函数返回一个包含匹配部分的起始和结束索引的元组。

>>> match.span()
(2, 8)

match.re 和 match.string

匹配对象的 re 属性返回一个正则表达式对象。类似地，string 属性返回传入的字符串。

>>> match.re
re.compile('(\\d{3}) (\\d{2})')

>>> match.string
'39801 356, 2102 1111'

我们已经介绍了 re 模块中定义的所有常用方法。如果您想了解更多，请访问 Python 3 re 模块。

在 RegEx 前使用 r 前缀

当正则表达式前使用 r 或 R 前缀时，表示原始字符串。例如，'\n' 是一个换行符，而 r'\n' 表示两个字符：一个反斜杠 \ 后跟 n。

反斜杠 \ 用于转义各种字符，包括所有元字符。然而，使用 r 前缀会使 \ 被视为普通字符。

示例 7：使用 r 前缀的原始字符串

import re

string = '\n and \r are escape sequences.'

result = re.findall(r'[\n\r]', string) 
print(result)

# Output: ['\n', '\r']