Python里的正則表達(dá)式

Python里的正則表達(dá)式，無需下載外部模塊，只需要引入自帶模塊：re：

import re

官方re模塊文檔： https://docs.python.org/zh-cn/3.9/library/re.html

同時(shí)，Python的正則表達(dá)式是PCRE標(biāo)準(zhǔn)的，相較于廣泛應(yīng)用在Unix上的POSIX標(biāo)準(zhǔn)，還是有些區(qū)別的（主要是簡化）

基本方法

觀察re源碼，其主要的接口方法有：

• match(…)：從字符串的起始位置匹配一個(gè)模式，如果無法匹配成功，則match()就返回none
• fullmatch(…)：是match函數(shù)的完全匹配（從字符串開頭到結(jié)尾）版本
• search(…)：掃描整個(gè)字符串并（默認(rèn)）返回第一個(gè)成功的匹配
• sub(…)：用于替換字符串中的匹配項(xiàng)
• subn(…)：和sub(…)類似，但返回值多一個(gè)替換次數(shù)
• split(…)：分割字符串，返回列表形式f
• indall(…)：在字符串中找到正則表達(dá)式所匹配的所有子串，并返回一個(gè)列表形式，如果沒有找到匹配的，則返回空列表。finditer(…)：和 findall 類似，在字符串中找到正則表達(dá)式所匹配的所有子串，并把它們作為一個(gè)迭代器返回
• compile(…)：用于編譯正則表達(dá)式，生成一個(gè)正則表達(dá)式（ Pattern ）對(duì)象，供 match() 和 search() 這兩個(gè)函數(shù)使用
• purge(…)：用于清除正則表達(dá)式緩存

其中，本文主要會(huì)介紹的方法為：match(...)、search(...)、findall(...)和spilt(...)。不過，方法都類似，會(huì)這些方法，剩下的也大同小異。

元字符與預(yù)定義字符集

我認(rèn)為，元字符算和預(yù)定義字符集是正則表達(dá)式的核心內(nèi)容了。

預(yù)定義字符集:

元字符：

一般來說，使用+、?、*、{n}、{n,}和{n,m}時(shí)，即激活正則表達(dá)式的貪婪模式。可以在其后加入?來取消貪婪模式。

貪婪模式

一般來見，重復(fù)多次匹配就是貪婪模式，也就是盡可能匹配多個(gè)字符。

比如：

import re

lineOne = "Who is the Mintimate"
# 貪婪模式
print(re.findall(r'\w+',lineOne))
# 非貪婪模式
print(re.findall(r'\w',lineOne))
print(re.findall(r'\w+?',lineOne))

輸出：

['Who', 'is', 'the', 'Mintimate']
['W', 'h', 'o', 'i', 's', 't', 'h', 'e', 'M', 'i', 'n', 't', 'i', 'm', 'a', 't', 'e']
['W', 'h', 'o', 'i', 's', 't', 'h', 'e', 'M', 'i', 'n', 't', 'i', 'm', 'a', 't', 'e']

可以看到，使用**?**來激活非貪婪模式，基本是讓多次匹配無效化。

捕獲與非捕獲括號(hào)

之所以捕獲與非捕獲括號(hào)單獨(dú)出來講，其實(shí)是我當(dāng)時(shí)學(xué)習(xí)正則時(shí)候，這邊卡了很久。

• 捕獲括號(hào)：()
• 非捕獲括號(hào)：(?:)

捕獲括號(hào)其實(shí)就是代碼里的優(yōu)先級(jí)一樣，比如：

2*(2+3)=10

之所以，我們會(huì)先算2+3，是因?yàn)橛?*()的存在。正則里也是，如果存在()**，則會(huì)優(yōu)先捕獲()內(nèi)的內(nèi)容：

import re

lineOne = "Who is Mintimate?"
# 未使用捕獲括號(hào)
print(re.findall(r'Mintimate',lineOne))
# 使用捕獲括號(hào)
print(re.findall(r'M(intimate)',lineOne))
# 使用非捕獲括號(hào)
print(re.findall(r'M(?:intimate)',lineOne))

輸出結(jié)果：

['Mintimate']
['intimate']
['Mintimate']

而非捕獲括號(hào)主要與|同時(shí)使用：

import re

lineOne = "This is the Mintimate,not the Minimen?"
print(re.findall(r'M(?:intimate|inimen)',lineOne))

輸出結(jié)果：

['Mintimate', 'Minimen']

正則匹配（判斷目標(biāo)格式）

主要講解Python下的幾個(gè)方法使用方法。

match匹配

match(…)即：

re.match(pattern, string, flags=0)

參數(shù)的具體含義如下：

• pattern：表示需要傳入的正則表達(dá)式。
• string：表示待匹配的目標(biāo)文本。
• flags：表示使用的匹配模式。如：是否區(qū)分大小寫，多行匹配等等。可省略，默認(rèn)為0

使用match進(jìn)行正則匹配，可以方便我們對(duì)字符串內(nèi)類型的判斷，如：是否為純數(shù)字或第一位數(shù)否為數(shù)字

import re

lineOne = "7704194"
lineTwo = "My UID in Tencent Community is：7704194"
print(re.match(r"\d", lineOne))
print(re.match(r"\d+", lineOne))
print("===")
print(re.match(r"\d", lineTwo))
print(re.match(r"\d+", lineTwo))

輸出結(jié)果：

<re.Match object; span=(0, 1), match='7'>
<re.Match object; span=(0, 7), match='7704194'>
===
None
None

其中，\d為匹配0-9的數(shù)字類型，而+是匹配出現(xiàn)1次或多次。

正則搜索（提取/分組字符）

正則搜索，常用的是search和findall方法了，方法體均一樣：

re.search(pattern, string, flags=0)
re.findall(pattern, string, flags=0)

search和march類似，均是匹配字符串內(nèi)容，不符合返回None。但是主要區(qū)別：

• re.match() 從第一個(gè)字符開始找, 如果第一個(gè)字符就不匹配就返回None, 不繼續(xù)匹配. 用于判斷字符串開頭或整個(gè)字符串是否匹配,速度快。
• re.search() 會(huì)整個(gè)字符串查找,直到找到一個(gè)匹配。

代碼中更形象：

import re

lineOne = "7704194"
lineTwo = "My UID in Tencent Community is：7704194"
# 使用match搜索純數(shù)字字符串
print(re.match(r"\d", lineOne))
# 使用search搜索純數(shù)字字符串
print(re.search(r"\d", lineOne))
# 使用match搜索復(fù)合字符串
print(re.match(r"\d", lineTwo))
# 使用search搜索復(fù)合字符串
print(re.search(r"\d", lineTwo))

其輸出結(jié)果：

<re.Match object; span=(0, 1), match='7'>
<re.Match object; span=(0, 1), match='7'>
None
<re.Match object; span=(31, 32), match='7'>

而findall，在上match和search的前提下，進(jìn)一步封裝。相對(duì)于強(qiáng)化版的match和search：

import re

lineOne = "7704194"
lineTwo = "My UID in Tencent Community is：7704194"
print(re.findall(r'\d',lineOne))
print(re.findall(r"\d",lineTwo))

輸出結(jié)果：

['7', '7', '0', '4', '1', '9', '4']
['7', '7', '0', '4', '1', '9', '4']

而如果你想完成提?。?/p>

print(re.findall(r"\d+",lineTwo))

輸出：

['7704194']

方便在數(shù)據(jù)處理時(shí)，快速提取連續(xù)數(shù)字╮(￣▽￣"")╭。

操作實(shí)例

單單看文檔，總是不實(shí)際。這邊我演示幾個(gè)正則表達(dá)式的實(shí)例（我根據(jù)我自己使用環(huán)境所寫，可能在其他特殊環(huán)境有問題）

URL去參

在寫爬蟲時(shí)候，有時(shí)候得到的URL是帶標(biāo)簽（#）或者Get請(qǐng)求（?id=*）的，但是有時(shí)候我們需要去除這些參數(shù)，得到純凈的URL地址，這個(gè)時(shí)候可以用正則表達(dá)式：

lineOne = "https://www.mintimate.cn#mintimate"
lineTwo = "https://www.mintimate.cn?user=mintimate"
print(re.findall(r'https?://(?:[\w]|[/\.])*',lineOne))
print(re.findall(r'https?://(?:[\w]|[/\.])*',lineTwo))

效果：

['https://www.mintimate.cn']
['https://www.mintimate.cn']

這里主要的細(xì)節(jié)：

• https?：匹配http或https
• (?😃：非捕獲括號(hào)，用于和后續(xù)|進(jìn)行配合

IPv4匹配

用正則匹配IPv4就比較復(fù)雜了，我是這樣寫的：

import re

lineOne = "192.168.1.1"
lineTwo="這不是IPv4嗷"
isIPv4=re.compile(r'((2(5[0-5]|[0-4]\d))|[0-1]?\d{1,2})(\.((2(5[0-5]|[0-4]\d))|[0-1]?\d{1,2})){3}')
print(isIPv4.search(lineOne))
print(isIPv4.search(lineTwo))

輸出結(jié)果為：

<re.Match object; span=(0, 11), match='192.168.1.1'>
None

解釋一下：

• 末尾的{3}，代表前面(\.((2(5[0-5]|[0-4]\d))|[0-1]?\d{1,2}))重復(fù)三次匹配，
• 而前面的((2(5[0-5]|[0-4]\d))|[0-1]?\d{1,2})我們可以拆分為兩部分，(2(5[0-5]|[0-4]\d))和0-1?\d{1,2}：前者是匹配首位為2開頭、第二位為1到5或1到4、最后一位為0到9；后者是匹配第一位為0或1，且?代表可以不存在這一項(xiàng)，后兩位為兩位0-9的數(shù)字。

效率問題

使用正則表達(dá)式，很大程度是為了精簡代碼，但是存在一下問題：

• 代碼可讀性降低：普通的匹配數(shù)字還好，但是如果都像IPv4這樣的，一定程度可讀性就降低了，維護(hù)成本高（雖然后期一般不回去改）
• 解析時(shí)間長：這個(gè)還是要看具體代碼，但是總的來說：貪婪模式相比懶惰模式以及獨(dú)占模式有一個(gè)回溯過程，消耗資源會(huì)更多。

解決方案：

• 一條正則表達(dá)式規(guī)則如果運(yùn)用上百次，可以使用compile()方法進(jìn)行預(yù)先加載。
• 減少使用貪婪模式。

總結(jié)

正則表達(dá)式是一個(gè)很重要的工具，尤其是在Python數(shù)據(jù)處理時(shí)，能高效處理問題事件?？赐赀@篇文章后，應(yīng)該對(duì)正則表達(dá)式不在陌生，感興趣可以自己寫個(gè)正則規(guī)則，如：強(qiáng)密碼判斷、IPv6的判斷等。

另外，因?yàn)槠?，更多Python內(nèi)的細(xì)則，可以參考官方文檔：

https://docs.python.org/zh-cn/3.9/library/re.html

到此這篇關(guān)于淺談Python中的正則表達(dá)式的文章就介紹到這了,更多相關(guān)Python正則表達(dá)式內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論