python 正则 | python 小知识

正则表达式是一种匹配字符串的规则，我们可以通过正则表达式去搜索指定规则的字符串。

如果你有需要匹配字符串，正则是一种选择，特别是匹配规则比较复杂的情况下。正则表达式最常用的地方是爬虫，在爬取网页时，指定你需要爬取的内容。

python 中的模块 re 提供了解析正则匹配的规则。

因为正则规则比较不容易理解，理解了规则也会很快忘记，所以建议是了解常用的使用，有具体的匹配需求再去了解是否有规则可以满足你的要求。

1. 正则的四种规则

所以我们先通过一个简单的例子来了解下 re 正则匹配

import repattern = "\w+"ret = re.match(pattern, "a12323abc")print(ret)# <_sre.SRE_Match object; span=(0, 9), match='a12323abc'>

正则规则可以分四种:

• 单个字符， 如上面例子中\w表示普通字符(数字、字母或下划线)；其他如下：

• 
  

• 数量， 如上面例子中+表示重复一次或者多次， ?表示重复 0 次或者一次

• 字符组，就是一组字符，用[]包含起来，如果在一个字符组里枚举所有字符，字符组里的任意一个字符和"待匹配字符"相同都视为可以匹配

• 
  

• 位置： ^表示匹配开头，$表示匹配结尾

上面例子中"\w+"表示只要是一个或者多个普通字符都算匹配，如何匹配 re.match 返回非 None，否则返回 None

我们在看一个匹配邮箱的里子

# @前面是一个或者多个字符，@后面是一个或者多个字符， 接着最后.compattern = "\w+@\w+\.com"ret = re.match(pattern, "yuyq@163.com")print(ret)# <_sre.SRE_Match object; span=(0, 12), match='yuyq@163.com'>
pattern = "\w+@\w+\.com"ret = re.match(pattern, "yuyqx163.com")print(ret)# None
pattern = "\w+@(\w+\.)?\w+\.com"ret = re.match(pattern, "hello123@1xheuet..edu.com")print(ret)# None

从上面例子需要知道：

• 由于.是正则里的特殊字符，需要转义\.
  

• (\w+\.)? 中？表示 0 或者多个，也可以理解有也可以没有也可以，（）表示包括的字符是一起的，也就是说 abc.ax. 类似这种是匹配的。上面最后一个例子中多个一个.不符合规则

2. match 和 search 的区别

re 除了提供 match，还提供 search,findall,sub,split 等函数；其中 match 和 search，findall 提供搜索匹配，sub 提供替换，split 提供分割。

那 match 和 search 有什么区别？

pattern = "(acb)+"ret = re.match(pattern, "dacbbacb1b")print(ret)# None
ret = re.search(pattern, "dacbbacb1b")print(ret)# <_sre.SRE_Match object; span=(1, 4), match='acb'>
ret = re.findall(pattern, "dacbbacb1b")print(ret)# ['acb', 'acb']

上面的例子，待匹配的字符串中明明有 acb 为什么 match 没有匹配成功，原因是：

• re.match 只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回 None

• re.search 匹配整个字符串，直到找到一个匹配

• 而 re.findall 是匹配所有

我们来看看 sub 和 split 的例子

import re# ":| "表示用：或者空格匹配，|表示只要匹配其中一个规则就可以ret = re.split(r":| ","info:xiaoZhang 33 shandong")print(ret)# ['info', 'xiaoZhang', '33', 'shandong']
import re# 如果"python = 997"中的1个或者多个数字（/d)就是997，使用前面的xx替换ret = re.sub(r"\d+", "xx", "python = 997")print(ret)# python = xx

3. 更多的例子

我们来看几个个复杂的例子

# 匹配1-100pattern = "[1-9]?\d$|100"ret = re.match(pattern, "102")print(ret)# None

规则解说：

• [1-9]?表示 0 或者 1 个 0 到 9 的其中一个数字，

• 然后\d$是以一个数字结尾；$表示结尾

• |100 也是匹配的

pattern = "[a-zA-Z0-9_]{8,20}"ret = re.match(pattern, "000000000.")print(ret)# None

规则解说：

• [a-zA-Z0-9_] 必须是大写字母，小写字母，数字和下划线例的字符

• {8,20}：数量是 8 到 20 个

4. 正则的贪婪与⾮贪婪

正则还有一个匹配原则是最多匹配（贪婪）和最少匹配（⾮贪婪）

• 正则表达式默认为贪婪匹配，也就是尽可能多的向后匹配字符，比如 {n,m} 表示匹配前面的内容出现 n 到 m 次（n 小于 m），在贪婪模式下，首先以匹配 m 次为目标

• 而在非贪婪模式是尽可能少的向后匹配内容，也就是说匹配 n 次即可

贪婪模式转换为非贪婪模式的方法很简单，在元字符后添加?即可实现

pattern = "b+"ret = re.match(pattern, "bbacb1b")print(ret.group())# bb
pattern = "b+?"ret = re.match(pattern, "bbacb1b")print(ret.group())# b

从上面例子可以：

• 默认是贪婪模式，匹配到最多；规则是一个或者多个 b，有多少个 b 就有输出多少个 b

• 加?是非贪婪模式，规则是一个或者多个 b，就匹配一个 b

• 通过 group()输出匹配的字符串

5. 后记

正则规则通常很容易忘记，这里提供一个比较清晰的规则备忘，需要使用的可以查看

• http://c.biancheng.net/python_spider/regexp-syntax.html

总之，记得有 re 正则这个字符匹配工具，遇到合适场景就可以亮出它。希望对你有帮助！