正则有关模块

本篇不会过多介绍正则表达式内容，可参考 js 篇的正则对象章节。

正则表达式

python 不支持不定长的后行断言（逆序环视）

error: look-behind requires fixed-width pattern

正则就是用一些具有特殊含义的符号组合到一起（称为正则表达式）来描述字符或者字符串的方法。或者说：正则就是用来描述一类事物的规则。（在 Python 中）它内嵌在 Python 中，并通过 re 模块实现。正则表达式模式被编译成一系列的字节码，然后由用 C 编写的匹配引擎执行。

正则表达式	类型	匹配内容
.	元字符	匹配除换行符以外的任意字符
\w	元字符	匹配字母或数字或下划线，大写即非数字字母下划线
\s	元字符	匹配任意的空白符，大写即非空字符
\d	元字符	匹配数字，大写即非数字
\n	元字符	匹配一个换行符，也属于\s
\t	元字符	匹配一个制表符，也属于\s
\b	元字符	匹配一个单词的边界
^	元字符	匹配字符串的开始
$	元字符	匹配字符串的结尾
`a	b`	逻辑
(...)	分组	匹配括号内的组，捕获
(?:...)	分组	匹配括号内的组，不捕获
(?<Name>...)	命名分组	匹配括号内的组，捕获并命名（python 支持）
(?>...)	固化分组	匹配过程中不交还括号内的组（python 不支持）
[...]	字符集	匹配字符组中的字符
[^...]	字符集	匹配除了字符组中字符的所有字符
*	量词	贪婪匹配，重复零次或更多次
+	量词	贪婪匹配，重复一次或更多次
?	量词	贪婪匹配，重复零次或一次
{n}	量词	重复 n 次
{n,}	量词	重复 n 次或更多次
{n,m}	量词	重复 n 到 m 次
(?=pattern)	断言	后面有，断言也叫环视 look-behind
(?!pattern)	断言	后面没有
(?<=pattern)	断言	前面有（python 不支持不定长逆序环视）
(?<!pattern)	断言	前面没有（python 不支持不定长逆序环视）

注意

• python 中正则表达式是不是真实字符串，需要二重转义，推荐使用真实字符串(r"")
• 贪婪匹配会尽可能匹配，后面加?号使其变成惰性匹配，匹配尽可能少的。
• 断言（环视）的括号中的匹配到的内容只会用来判断不会被正则表达式捕获。
• 由于状态机制，从左往右被捕获的字符不再参与匹配。例如'ababa'里无法捕获到第二个'aba'

常用范围

正则	说明
[0-9]	和[0123456789]和\d是一个意思
[a-z]+	不定长的小写字母，尽可能多，一个以上
[A-Z]*?	不定长的大写字母，尽可能少，可以一个都没有
[0-9a-fA-F]	十六进制字符
`^.*(?=.jpg$	.png)`
^(?!-).*	不以-开头的行（re.M模式）
[a-z0-9_\.-]{3,15}@[a-z]{2,5}\.[a-z]{2,6}	Email

re 模块

re模块提供了与 Perl 语言类似的正则表达式匹配操作

最常用方法

• re.findall(r,txt) 查找所有满足匹配条件的结果,放在列表里
• re.match(r,txt) 匹配第一个然后返回一个包含匹配信息的对象
• re.sub(r,s,txt) 将所有满足匹配条件的替换成字符串 s

模式flags

不同模式主要会改变.以及^和$的匹配行为

• None 首行模式，默认的。只有第一行都有开头和结尾。换行符不会被匹配。
• re.S / re.DOTALL 单行模式，整个文本看成一行。换行符会被当作普通字符匹配。
• re.M / re.MULTILINE 多行模式，每一行都有开头和结尾。换行符不会被匹配。
• re.I / re.IGNORECASE忽略大小写模式。

多模式可以直接相加

s = '''few.JPG
oij.png
ade.jpg
ade.jpg.rename
ytr.GIF
pow.PNG'''
>>> re.findall(r'.*(?=\.jpg|\.png)', s)
['oij', '', 'ade', '', 'ade', '']
>>> re.findall(r'^.*(?=\.jpg$|\.png$)', s, re.M+re.I)
['few', 'oij', 'ade', 'pow']

分组(...)

分组在某种程度上完全可以代替断言的功能。

>>> re.findall('(.*?)_sb', 'alex_sb wusir_sb 日天_sb')
['alex', 'wusir', '日天']

>>> HTML = '<a href="http://www.baidu.com">点击</a>'
>>> print(re.findall('href="(.*?)"', HTML))
['http://www.baidu.com']

分组()中加入?: 表示整体，而不是只针对性捕获()里面的内容。

import re

ret = re.findall("www.(baidu|oldboy).com", "www.oldboy.com")
print(
    ret
)  # ['oldboy']这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可

ret = re.findall("www.(?:baidu|oldboy).com", "www.oldboy.com")
print(ret)  # ['www.oldboy.com']

常用方法用例

import re

ret = re.findall("a", "eva egon yuan")  # 返回所有匹配的字符串,放在列表里
print(ret)  # 结果 : ['a', 'a']

ret = re.search("a", "eva egon yuan").group()
print(ret)  # 结果 : 'a'
# 返回匹配成功的第一个Match对象，找不到则是None
# Match对象的group()方法得到匹配的字符串

ret = re.match("a", "abc").group()  # 从头开始匹配 相当于search('^a', 'abc').group()
print(ret)  # 结果 : 'a'

ret = re.split("[ab]", "abcd")  # 先按'a'分割得到''和'bcd',再对''和'bcd'分别按'b'分割
print(ret)  # ['', '', 'cd']

ret = re.sub("\d", "H", "eva3egon4yuan4", 1)  # 简单的匹配后替换，参数1表示只替换1个
print(ret)  # evaHegon4yuan4

ret = re.subn(
    "\d", "H", "eva3egon4yuan4"
)  # 匹配后替换，返回元组(替换的结果,替换了多少次)
print(ret)

obj = re.compile("\d{3}")  # 将正则表达式编译成为一个Pattern对象，这里匹配的是3个数字
ret = obj.search("abc123eeee")  # Pattern对象调用search，参数为待匹配的字符串
print(ret.group())  # 结果 ： 123

ret = re.finditer("\d", "ds3sy4784a")  # finditer返回一个存放Match对象的迭代器
print(next(ret).group())  # 查看第一个的结果
print(next(ret).start())  # 查看第二个在原字符串里面的开始的位置
print([i.group() for i in ret])  # 查看剩余的结果

注意：

• 多行模式(MULTILINE)中match()只匹配字符串的开始，但search()和以 '^' 开头的正则会每行匹配
• split()的优先级查询

ret = re.split("\d+", "eva3egon4yuan")
print(ret)  # 结果 ： ['eva', 'egon', 'yuan']

ret = re.split("(\d+)", "eva3egon4yuan")
print(ret)  # 结果 ： ['eva', '3', 'egon', '4', 'yuan']

在匹配部分加上()之后所切出的结果是不同的， 没有()的没有保留所匹配的项，但是有()的却能够保留了匹配的项， 这个在某些需要保留匹配部分的使用过程是非常重要的。

• .sub() 第二个参数可以接受函数 第一个参数要使用分组（命名分组）

size = "height165weight21deep213"  # 要求所有数字内容都加5
re.sub(r"(?P<num>\d+)", lambda x: str(int(x.group("num")) + 5), size)
# 'height170weight26deep218'

regex 模块

Python 自带了正则表达式引擎（内置的 re 模块），但是不支持一些高级特性，比如下面这几个：

• 固化分组 Atomic grouping
• 占有优先量词 Possessive quantifiers
• 可变长度的逆序环视 Variable-length lookbehind
• 递归匹配 Recursive patterns
• （起始/继续）位置锚\G Search anchor

第三方模块 regex 实现了如上高级特效，且 API 与 re 模块一致。