python-正则表达式函数

学习自：https://docs.python.org/zh-cn/3/library/re.html#module-re

python的正则表达式有两种使用方法，第一种是直接用re模块的函数。

一、re.search(pattern, string, flag=0)

扫描整个字符串，找到第一个能匹配的地方，返回一个匹配对象，如果失败，返回None。

str = "abc123def456[qqq]{qqq}!@#abcabcabc"print(re.search("qqq", str))  # 
print(re.search("^qqq", str))  # None

二、re.match(pattern, string, flag=0)

从字符串开头开始匹配，返回一个匹配对象，如果失败，返回None。

str = "abc123def456[qqq]{qqq}!@#abcabcabc"print(re.match("qqq", str))  # None
print(re.match("\w+", str))  # 

三、re.fullmatch(pattern, string, flags=0)

匹配整个字符串，返回一个匹配对象，如果失败，返回None。

str = "abc123def456[qqq]{qqq}!@#abcabcabc"print(re.fullmatch("\w+", str))  # None
print(re.fullmatch(".+", str))  # 

四、re.split(pattern, string, maxsplit=0, flags=0)

用pattern把string分开，返回一个列表，如果pattern里用括号括起来了，括号里匹配到的也会作为列表的一个元素

str = "abc123def456[qqq]{qqq}!@#abcabcabc"print(re.split("(.)qqq(.)", str))  
# ['abc123def456', '[', ']', '', '{', '}', '', '<', '>', '!@#abcabcabc']

五、re.findall(pattern, string, flags=0)

返回匹配到的所有元素组成的列表

str = "abc123def456[qqq]{qqq}!@#abcabcabc"print(re.findall("\d+", str))  # ['123', '456']

六、re.finditer(pattern, string, flags=0)

返回一个保存了匹配对象的迭代器

str = "abc123def456[qqq]{qqq}!@#abcabcabc"print(re.finditer("\w+", str))
for a in re.finditer("\w+", str):print(a)
# 
# 
# 
# 
# 
# 

七、re.sub(pattern, repl, string, count=0, flags=0)

1. 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。

str = "abcd"print(re.sub("a", "1", str))  # 1bcd

2. 如果样式没有找到，则不加改变地返回 string

str = "abcd"print(re.sub("e", "1", str))  # abcd

3. repl 可以是字符串或函数；如为字符串，则其中任何反斜杠转义序列都会被处理。

repl是字符串，而不是正则表达式。可以识别\n \t之类的，但是不能识别\w \s

str = "abcd"print(re.sub("b", "\t", str))  # a	cd

4. 未知的 ASCII 字符转义序列保留在未来使用，会被当作错误来处理。 其他未知转义序列例如 \& 会保持原样。

暂时找不到例子，不太清楚具体意思和现象

5. 向后引用像是 \6 会用样式中第 6 组所匹配到的子字符串来替换。

如下的例子，"(abc)\w+.(\w+)]“会匹配到"abc123def456[qqq]“后面的”\2"会替换成前面第二个括号匹配到的"qqq”。

这里写两个反斜杠是因为\2本身有自己的含义，但是具体是什么意思也没查到。或者写r"\2"，这时候反斜杠就不会被当做转义符了

str = "abc123def456[qqq]{qqq}!@#abcabcabc"print(re.sub("(abc)\w+.(\w+)\]", "\\2", str))  # qqq{qqq}!@#abcabcabc

6. 如果 repl 是一个函数，那它会对每个非重复的 pattern 的情况调用。这个函数只能有一个 匹配对象 参数，并返回一个替换后的字符串。

官方的例子长这样

def dashrepl(matchobj):if matchobj.group(0) == '-':return ' 'else:return '-'
print(re.sub('-{1,2}', dashrepl, 'pro----gram-files'))   # pro--gram-files

从这个例子可以看到，函数的入参是一个匹配对象，改一下看看入参的样子。

def dashrepl(matchobj):print(matchobj)if matchobj.group(0) == '-':return ' 'else:return '-'
print(re.sub('-{1,2}', dashrepl, 'pro----gram-files'))
# 
# 
# 
# pro--gram-files

7. 可选参数 count 是要替换的最大次数；count 必须是非负整数。如果省略这个参数或设为 0，所有的匹配都会被替换。

def dashrepl(matchobj):print(matchobj)if matchobj.group(0) == '-':return ' 'else:return '-'
print(re.sub('-{1,2}', dashrepl, 'pro----gram-files', count=2))
# 
# 
# pro--gram-files

八、re.subn(pattern, repl, string, count=0, flags=0)

行为与 sub() 相同，但是返回一个元组 (字符串, 替换次数).

def dashrepl(matchobj):print(matchobj)if matchobj.group(0) == '-':return ' 'else:return '-'
print(re.subn('-{1,2}', dashrepl, 'pro----gram-files', count=2))
# 
# 
# ('pro--gram-files', 2)

九、re.escape(pattern)

转义 pattern 中的特殊字符。

print(re.escape("http://www.python.org"))
# http://www\.python\.org

十、re.purge()

清除正则表达式的缓存。

十一、flags参数

1. re.A

   re.ASCII

   让 \w, \W, \b, \B, \d, \D, \s 和 \S 只匹配ASCII，而不是Unicode。这只对Unicode样式有效，会被byte样式忽略。相当于前面语法中的内联标志 (?a) 。 注意，为了保持向后兼容， re.U 标记依然存在（还有他的同义 re.UNICODE 和嵌入形式 (?u) ) ， 但是这些在 Python 3 是冗余的，因为默认字符串已经是Unicode了（并且Unicode匹配不允许byte出现)。

2. re.DEBUG

   显示编译时的debug信息，没有内联标记。

3. re.I

   re.IGNORECASE

   进行忽略大小写匹配；表达式如 [A-Z] 也会匹配小写字符。Unicode匹配（比如 Ü 匹配 ü）同样有用，除非设置了 re.ASCII 标记来禁用非ASCII匹配。当前语言区域不会改变这个标记，除非设置了 re.LOCALE 标记。这个相当于内联标记 (?i) 。

   注意，当设置了 IGNORECASE 标记，搜索Unicode样式 [a-z] 或 [A-Z] 的结合时，它将会匹配52个ASCII字符和4个额外的非ASCII字符： ‘İ’ (U+0130, 拉丁大写的 I 带个点在上面), ‘ı’ (U+0131, 拉丁小写没有点的 I ), ‘ſ’ (U+017F, 拉丁小写长 s) and ‘K’ (U+212A, 开尔文符号).如果使用 ASCII 标记，就只匹配 ‘a’ 到 ‘z’ 和 ‘A’ 到 ‘Z’ 。

4. re.L

   re.LOCALE

   由当前语言区域决定 \w, \W, \b, \B 和大小写敏感匹配。这个标记只能对byte样式有效。这个标记不推荐使用，因为语言区域机制很不可靠，它一次只能处理一个 "习惯”，而且只对8位字节有效。Unicode匹配在Python 3 里默认启用，并可以处理不同语言。 这个对应内联标记 (?L) 。

   在 3.6 版更改: re.LOCALE 只能用于byte样式，而且不能和 re.ASCII 一起用。

   在 3.7 版更改: 设置了 re.LOCALE 标记的编译正则对象不再在编译时依赖语言区域设置。语言区域设置只在匹配的时候影响其结果。

5. re.M

   re.MULTILINE

   设置以后，样式字符 '^' 匹配字符串的开始，和每一行的开始（换行符后面紧跟的符号）；样式字符 '$' 匹配字符串尾，和每一行的结尾（换行符前面那个符号）。默认情况下，’^’ 匹配字符串头，'$' 匹配字符串尾。对应内联标记 (?m) 。

6. re.S

   re.DOTALL

   让 '.' 特殊字符匹配任何字符，包括换行符；如果没有这个标记，'.' 就匹配 除了 换行符的其他任意字符。对应内联标记 (?s) 。

7. re.X

   re.VERBOSE

   这个标记允许你编写更具可读性更友好的正则表达式。通过分段和添加注释。空白符号会被忽略，除非在一个字符集合当中或者由反斜杠转义，或者在 *?, (?: or (?P<…> 分组之内。当一个行内有 # 不在字符集和转义序列，那么它之后的所有字符都是注释。

   意思就是下面两个正则表达式等价地匹配一个十进制数字：

a = re.compile(r"""\d +  # the integral part\.    # the decimal point\d *  # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！