Python之正则表达式（re模块）

目录#

正则表达式概述
Python re模块的基本用法
- 导入re模块
- 常用函数介绍
正则表达式的元字符
- 字符组
- 量词
- 特殊字符
正则表达式的匹配模式
- 不区分大小写模式
- 多行模式
- 点号匹配所有字符模式
分组与捕获
- 基本分组
- 命名分组
示例应用
- 数据提取
- 文本替换
- 输入验证
最佳实践与常见陷阱
总结
参考资料

1. 正则表达式概述#

正则表达式是一种用于描述字符串模式的工具，它使用特定的字符和语法来定义一组规则。通过这些规则，我们可以在文本中查找、匹配和操作特定模式的字符串。例如，我们可以使用正则表达式来验证邮箱地址、提取手机号码等。

2. Python `re`模块的基本用法#

2.1 导入`re`模块#

在使用re模块之前，我们需要先导入它。导入语句非常简单：

import re

2.2 常用函数介绍#

re.match(pattern, string, flags=0)：从字符串的起始位置开始匹配，如果匹配成功，则返回一个匹配对象；否则返回None。

import re
 
pattern = r'hello'
string = 'hello world'
result = re.match(pattern, string)
if result:
    print("匹配成功:", result.group())
else:
    print("匹配失败")

re.search(pattern, string, flags=0)：在字符串中搜索匹配的模式，如果找到第一个匹配项，则返回一个匹配对象；否则返回None。与re.match不同的是，re.search不要求从字符串的起始位置开始匹配。

import re
 
pattern = r'world'
string = 'hello world'
result = re.search(pattern, string)
if result:
    print("找到匹配项:", result.group())
else:
    print("未找到匹配项")

re.findall(pattern, string, flags=0)：在字符串中查找所有匹配的模式，并以列表的形式返回。

import re
 
pattern = r'\d+'
string = 'abc123def456'
result = re.findall(pattern, string)
print("所有匹配项:", result)

re.sub(pattern, repl, string, count=0, flags=0)：在字符串中替换所有匹配的模式。repl是替换的字符串，count是替换的最大次数，默认为0，表示替换所有匹配项。

import re
 
pattern = r'world'
repl = 'Python'
string = 'hello world'
result = re.sub(pattern, repl, string)
print("替换后的字符串:", result)

re.split(pattern, string, maxsplit=0, flags=0)：根据匹配的模式分割字符串。maxsplit是最大分割次数，默认为0，表示分割所有匹配项。

import re
 
pattern = r'[,.]'
string = 'apple,banana.orange'
result = re.split(pattern, string)
print("分割后的列表:", result)

3. 正则表达式的元字符#

3.1 字符组#

[ ]：用于定义一个字符组，表示匹配方括号内的任意一个字符。例如，[abc]可以匹配字符a、b或c。

import re
 
pattern = r'[abc]'
string = 'def'
result = re.findall(pattern, string)
print("匹配结果:", result)  # 输出: []
 
string = 'abc'
result = re.findall(pattern, string)
print("匹配结果:", result)  # 输出: ['a', 'b', 'c']

[^ ]：表示取反，即匹配不在方括号内的任意一个字符。例如，[^abc]可以匹配除了a、b、c之外的任意字符。

3.2 量词#

*：表示前面的字符或字符组可以出现零次或多次。例如，a*可以匹配空字符串、a、aa、aaa等。

import re
 
pattern = r'a*'
string = 'aaab'
result = re.findall(pattern, string)
print("匹配结果:", result)  # 输出: ['aaa', '']

+：表示前面的字符或字符组可以出现一次或多次。例如，a+可以匹配a、aa、aaa等，但不能匹配空字符串。
?：表示前面的字符或字符组可以出现零次或一次。例如，a?可以匹配空字符串或a。
{n}：表示前面的字符或字符组必须出现n次。例如，a{3}只能匹配aaa。
{n,}：表示前面的字符或字符组至少出现n次。例如，a{3,}可以匹配aaa、aaaa、aaaaa等。
{n,m}：表示前面的字符或字符组出现的次数介于n和m之间（包括n和m）。例如，a{1,3}可以匹配a、aa或aaa。

3.3 特殊字符#

.：匹配除了换行符之外的任意一个字符。例如，a.b可以匹配aab、acb等。

import re
 
pattern = r'a.b'
string = 'acb'
result = re.findall(pattern, string)
print("匹配结果:", result)  # 输出: ['acb']

^：匹配字符串的起始位置。例如，^hello表示字符串必须以hello开头。
$：匹配字符串的结束位置。例如，world$表示字符串必须以world结尾。
\d：匹配任意一个数字字符，等价于[0-9]。
\D：匹配任意一个非数字字符，等价于[^0-9]。
\w：匹配任意一个字母、数字或下划线字符，等价于[a-zA-Z0-9_]。
\W：匹配任意一个非字母、数字或下划线字符，等价于[^a-zA-Z0-9_]。
\s：匹配任意一个空白字符，包括空格、制表符、换行符等，等价于[ \t\n\r\f\v]。
\S：匹配任意一个非空白字符，等价于[^ \t\n\r\f\v]。

4. 正则表达式的匹配模式#

4.1 不区分大小写模式#

在re模块中，我们可以使用re.IGNORECASE或re.I标志来实现不区分大小写的匹配。

import re
 
pattern = r'hello'
string = 'HELLO world'
result = re.search(pattern, string, re.IGNORECASE)
if result:
    print("匹配成功:", result.group())
else:
    print("匹配失败")

4.2 多行模式#

使用re.MULTILINE或re.M标志可以开启多行模式，使得^和$可以匹配每一行的起始和结束位置。

import re
 
pattern = r'^hello'
string = 'hello world\nhello Python'
result = re.findall(pattern, string, re.MULTILINE)
print("匹配结果:", result)  # 输出: ['hello', 'hello']

4.3 点号匹配所有字符模式#

默认情况下，.不能匹配换行符。使用re.DOTALL或re.S标志可以让.匹配包括换行符在内的所有字符。

import re
 
pattern = r'.*'
string = 'hello\nworld'
result = re.findall(pattern, string, re.DOTALL)
print("匹配结果:", result)  # 输出: ['hello\nworld']

5. 分组与捕获#

5.1 基本分组#

使用圆括号()可以创建一个分组。分组可以将多个字符或字符组作为一个整体进行处理，并且可以通过索引来引用分组的匹配结果。

import re
 
pattern = r'(\d{3})-(\d{4})'
string = '123-4567'
result = re.search(pattern, string)
if result:
    print("完整匹配:", result.group(0))  # 输出: 123-4567
    print("第一个分组:", result.group(1))  # 输出: 123
    print("第二个分组:", result.group(2))  # 输出: 4567

5.2 命名分组#

除了使用索引来引用分组，我们还可以使用命名分组。命名分组使用(?P<name>pattern)的语法，其中name是分组的名称，pattern是分组的模式。

import re
 
pattern = r'(?P<area_code>\d{3})-(?P<phone_number>\d{4})'
string = '123-4567'
result = re.search(pattern, string)
if result:
    print("完整匹配:", result.group(0))  # 输出: 123-4567
    print("区号:", result.group('area_code'))  # 输出: 123
    print("电话号码:", result.group('phone_number'))  # 输出: 4567

6. 示例应用#

6.1 数据提取#

假设我们有一段文本，需要从中提取所有的邮箱地址。

import re
 
text = '我的邮箱是 [email protected]，还有一个备用邮箱 [email protected]。'
pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
emails = re.findall(pattern, text)
print("提取的邮箱地址:", emails)

6.2 文本替换#

将文本中的所有数字替换为X。

import re
 
text = 'abc123def456'
pattern = r'\d'
result = re.sub(pattern, 'X', text)
print("替换后的文本:", result)  # 输出: abcXXXdefXXX

6.3 输入验证#

验证用户输入的手机号码是否合法。

import re
 
def validate_phone_number(phone_number):
    pattern = r'^1[3-9]\d{9}$'
    if re.match(pattern, phone_number):
        return True
    return False
 
phone = '13800138000'
if validate_phone_number(phone):
    print("手机号码合法")
else:
    print("手机号码不合法")

7. 最佳实践与常见陷阱#

使用原始字符串：在定义正则表达式模式时，建议使用原始字符串（前面加r），这样可以避免Python的转义字符干扰正则表达式的语法。
避免使用贪婪匹配：在量词后加上?可以将贪婪匹配转换为非贪婪匹配，避免匹配到过多的字符。
注意边界匹配：使用^和$来确保匹配从字符串的起始或结束位置开始，避免意外匹配。
测试和调试：在编写复杂的正则表达式时，建议使用在线正则表达式测试工具进行测试和调试，以确保模式的正确性。

8. 总结#

本文详细介绍了Python中re模块的使用，包括基本函数、元字符、匹配模式、分组与捕获等内容，并通过示例应用展示了正则表达式在实际场景中的应用。正则表达式是一种强大的文本处理工具，掌握它可以帮助我们更高效地处理和分析文本数据。

9. 参考资料#

Python官方文档：https://docs.python.org/3/library/re.html
《Python核心编程》
正则表达式在线测试工具：https://regex101.com/

目录#