快捷導(dǎo)航

Python 正則表達式入門（初級篇）

更新時間：2016年12月07日 15:32:31 作者：唯心不易

本文主要為沒有使用正則表達式經(jīng)驗的新手入門所寫。由淺入深介紹了Python 正則表達式，有需要的朋友可以看下

引子

首先說正則表達式是什么？

正則表達式，又稱正規(guī)表示式、正規(guī)表示法、正規(guī)表達式、規(guī)則表達式、常規(guī)表示法（英語：Regular Expression，在代碼中常簡寫為regex、regexp或RE），計算機科學(xué)的一個概念。正則表達式使用單個字符串來描述、匹配一系列匹配某個句法規(guī)則的字符串。在很多文本編輯器里，正則表達式通常被用來檢索、替換那些匹配某個模式的文本。

許多程序設(shè)計語言都支持利用正則表達式進行字符串操作。例如，在Perl中就內(nèi)建了一個功能強大的正則表達式引擎。正則表達式這個概念最初是由Unix中的工具軟件（例如sed和grep）普及開的。正則表達式通?？s寫成“regex”，單數(shù)有regexp、regex，復(fù)數(shù)有regexps、regexes、regexen。

引用自維基百科https://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F

定義是定義，太正經(jīng)了就沒法用了。我們來舉個栗子：假如你在寫一個爬蟲，你得到了

一個網(wǎng)頁的HTML源碼。其中有一段

<html><body><h1>hello world<h1></body></html>

你想要把這個hello world提取出來，但你這時如果只會python 的字符串處理，那么第一反應(yīng)可能是

s = <html><body><h1>hello world<h1></body></html>
start_index = s.find('<h1>')

然后從這個位置向下查找到下一個<h1>出現(xiàn)這樣做未嘗不可，但是很麻煩不是嗎。需要考慮多個標簽，一不留神就多匹配到東西了，而如果想要非常準確的匹配到，又得多加循環(huán)判斷，效率太低。

這時候，正則表達式就是首選的幫手。

干貨開始

入門級別

接著說我們剛才那個例子。我們?nèi)绻谜齽t處理這個表達式要怎么做呢？

import re
key = r"<html><body><h1>hello world<h1></body></html>"#這段是你要匹配的文本
p1 = r"(?<=<h1>).+?(?=<h1>)"#這是我們寫的正則表達式規(guī)則，你現(xiàn)在可以不理解啥意思
pattern1 = re.compile(p1)#我們在編譯這段正則表達式
matcher1 = re.search(pattern1,key)#在源文本中搜索符合正則表達式的部分
print matcher1.group(0)#打印出來

你可以嘗試運行上面的代碼，看看是不是和我們想象的一樣（博主是在python2.7環(huán)境下）發(fā)現(xiàn)代碼挺少挺簡單？往下看。而且正則表達式實際上要比看起來的那種奇形怪狀要簡單得多。

首先，從最基礎(chǔ)的正則表達式說起。

假設(shè)我們的想法是把一個字符串中的所有"python"給匹配到。我們試一試怎么做

import re
key = r"javapythonhtmlvhdl"#這是源文本
p1 = r"python"#這是我們寫的正則表達式
pattern1 = re.compile(p1)#同樣是編譯
matcher1 = re.search(pattern1,key)#同樣是查詢
print matcher1.group(0)

看完這段代碼，你是不是覺得：臥槽？這就是正則表達式？直接寫上去就行？

確實，正則表達式并不像它表面上那么奇葩，如果不是我們故意改變一些符號的含義時，你看到的就是想要匹配的。

所以，先把大腦清空，先認為正則表達式就是和想要匹配的字符串長得一樣。在之后的練習(xí)中我們會逐步進化

初級

0.無論是python還是正則表達式都是區(qū)分大小寫的，所以當你在上面那個例子上把"python"換成了"Python"，那就匹配不到你心愛的python了。

1.重新回到第一個例子中那個<h1>hello world<h1>匹配。假如我像這么寫，會怎么樣？

import re
key = r"<h1>hello world<h1>"#源文本
p1 = r"<h1>.+<h1>"#我們寫的正則表達式，下面會將為什么
pattern1 = re.compile(p1)
print pattern1.findall(key)#發(fā)沒發(fā)現(xiàn)，我怎么寫成findall了？咋變了呢？

有了入門級的經(jīng)驗，我們知道那兩個<h1>就是普普通通的字符，但是中間的是什么鬼？

.字符在正則表達式代表著可以代表任何一個字符（包括它本身）

findall返回的是所有符合要求的元素列表，包括僅有一個元素時，它還是給你返回的列表。

機智如你可能會突然問：那我如果就只是想匹配"."呢？結(jié)果啥都給我返回了咋整？在正則表達式中有一個字符\，其實如果你編程經(jīng)驗較多的話，你就會發(fā)現(xiàn)這是好多地方的“轉(zhuǎn)義符”。在正則表達式里，這個符號通常用來把特殊的符號轉(zhuǎn)成普通的，把普通的轉(zhuǎn)成特殊的23333（并不是特殊的“2333”，寫完才發(fā)現(xiàn)會不會有腦洞大的想歪了）。

舉個栗子，你真的想匹配"chuxiuhong@hit.edu.cn"這個郵箱（我的郵箱），你可以把正則表達式寫成下面這個樣子：

import re
key = r"afiouwehrfuichuxiuhong@hit.edu.cnaskdjhfiosueh"
p1 = r"chuxiuhong@hit\.edu\.cn"
pattern1 = re.compile(p1)
print pattern1.findall(key)

發(fā)現(xiàn)了吧，我們在.的前面加上了轉(zhuǎn)義符\，但是并不是代表匹配“\.”的意思，而是只匹配“.”的意思！
不知道你細不細心，有沒有發(fā)現(xiàn)我們第一次用.時，后面還跟了一個+？那這個加號是干什么的呢？
其實不難想，我們說了“.字符在正則表達式代表著可以代表任何一個字符（包括它本身）”，但是"hello world"可不是一個字符啊。
+的作用是將前面一個字符或一個子表達式重復(fù)一遍或者多遍。
比方說表達式“ab+”那么它能匹配到“abbbbb”，但是不能匹配到"a"，它要求你必須得有個b，多了不限，少了不行。你如果問我有沒有那種“有沒有都行，有多少都行的表達方式”，回答是有的。
*跟在其他符號后面表達可以匹配到它0次或多次
比方說我們在王葉內(nèi)遇到了鏈接，可能既有http://開頭的，又有https://開頭的，我們怎么處理？

import re
key = r"http://www.nsfbuhwe.com and https://www.auhfisna.com"#胡編亂造的網(wǎng)址，別在意
p1 = r"https*://"#看那個星號！
pattern1 = re.compile(p1)
print pattern1.findall(key)

輸出

['http://', 'https://']

2.比方說我們有這么一個字符串"cat hat mat qat"，你會發(fā)現(xiàn)前面三個是實際的單詞，最后那個是我胡編亂造的（上百度查完是昆士蘭英語學(xué)院的縮寫= =）。如果你本來就知道"at"前面是c、h、m其中之一時這才構(gòu)成單詞，你想把這樣的匹配出來。根據(jù)已經(jīng)學(xué)到的知識是不是會想到寫出來三個正則表達式進行匹配？實際上不需要。因為有一種多字符匹方式

[]代表匹配里面的字符中的任意一個

還是舉個栗子，我們發(fā)現(xiàn)啊，有的程序員比較過分，，在<html></html>這對標簽上，大小寫混用，老害得我們抓不到想要的東西，我們該怎么應(yīng)對？是寫16*16種正則表達式挨個匹配？no

import re
key = r"lalala<hTml>hello</Html>heiheihei"
p1 = r"<[Hh][Tt][Mm][Ll]>.+?</[Hh][Tt][Mm][Ll]>"
pattern1 = re.compile(p1)
print pattern1.findall(key)

輸出

['<hTml>hello</Html>']

我們既然有了范圍性的匹配，自然有范圍性的排除。

[^]代表除了內(nèi)部包含的字符以外都能匹配

還是cat,hat,mat,qat這個例子，我們想匹配除了qat以外的，那么就應(yīng)該這么寫：

import re
key = r"mat cat hat pat"
p1 = r"[^p]at"#這代表除了p以外都匹配
pattern1 = re.compile(p1)
print pattern1.findall(key)

輸出

為了方便我們寫簡潔的正則表達式，它本身還提供下面這樣的寫法

正則表達式	代表的匹配字符
[0-9]	0123456789任意之一
[a-z]	小寫字母任意之一
[A-Z]	大寫字母任意之一
\d	等同于[0-9]
\D	等同于[^0-9]匹配非數(shù)字
\w	等同于[a-z0-9A-Z_]匹配大小寫字母、數(shù)字和下劃線
\W	等同于[^a-z0-9A-Z_]等同于上一條取非

3.介紹到這里，我們可能已經(jīng)掌握了大致的正則表達式的構(gòu)造方式，但是我們常常會在實戰(zhàn)中遇到一些匹配的不準確的問題。比方說：

import re
key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+\."#我想匹配到@后面一直到“.”之間的，在這里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)

輸出結(jié)果

['@hit.edu.']

呦呵！你咋能多了呢？我理想的結(jié)果是@hit.，你咋還給我加量了呢？這是因為正則表達式默認是“貪婪”的，我們之前講過，“+”代表是字符重復(fù)一次或多次。但是我們沒有細說這個多次到底是多少次。所以它會盡可能“貪婪”地多給我們匹配字符，在這個例子里也就是匹配到最后一個“.”。

我們怎么解決這種問題呢？只要在“+”后面加一個“？”就好了。

import re
key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+?\."#我想匹配到@后面一直到“.”之間的，在這里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)

輸出結(jié)果

['@hit.']

加了一個“?”我們就將貪婪的“+”改成了懶惰的“+”。這對于[abc]+,\w*之類的同樣適用。

小測驗：上面那個例子可以不使用懶惰匹配，想一種方法得到同樣的結(jié)果

**個人建議：在你使用"+","*"的時候，一定先想好到底是用貪婪型還是懶惰型，尤其是當你用到范圍較大的項目上時，因為很有可能它就多匹配字符回來給你?。?！**

為了能夠準確的控制重復(fù)次數(shù)，正則表達式還提供

{a,b}(代表a<=匹配次數(shù)<=b)

還是舉個栗子，我們有sas,saas,saaas，我們想要sas和saas，我們怎么處理呢？

import re
key = r"saas and sas and saaas"
p1 = r"sa{1,2}s"
pattern1 = re.compile(p1)
print pattern1.findall(key)

輸出

['saas', 'sas']

如果你省略掉{1,2}中的2，那么就代表至少匹配一次，那么就等價于？

如果你省略掉{1,2}中的1，那么就代表至多匹配2次。

下面列舉一些正則表達式里的元字符及其作用

元字符	說明
.	代表任意字符
\
[ ]	匹配內(nèi)部的任一字符或子表達式
[^]	對字符集和取非
-	定義一個區(qū)間
\	對下一字符取非（通常是普通變特殊，特殊變普通）
*	匹配前面的字符或者子表達式0次或多次
*?	惰性匹配上一個
+	匹配前一個字符或子表達式一次或多次
+?	惰性匹配上一個
?	匹配前一個字符或子表達式0次或1次重復(fù)
{n}	匹配前一個字符或子表達式
{m,n}	匹配前一個字符或子表達式至少m次至多n次
{n,}	匹配前一個字符或者子表達式至少n次
{n,}?	前一個的惰性匹配
^	匹配字符串的開頭
\A	匹配字符串開頭
$	匹配字符串結(jié)束
[\b]	退格字符
\c	匹配一個控制字符
\d	匹配任意數(shù)字
\D	匹配數(shù)字以外的字符
\t	匹配制表符
\w	匹配任意數(shù)字字母下劃線
\W	不匹配數(shù)字字母下劃線