Regular Expression

Last updated on Mar 16, 2023

Single match

字符	功能	补充
.	匹配除换行符之外的任何内容（\n）	可选模式（ `re.DOTALL` ）可以匹配换行符
[ ]	匹配[ ]中列举的字符
\d	匹配数字，即0-9	可以写在字符集[...]中
\D	匹配⾮数字	可以写在字符集[...]中
\s	匹配空⽩，即空格，tab键。等价于类 [ \t\n\r\f\v]	可以写在字符集[...]中
\S	匹配⾮空⽩字符	可以写在字符集[...]中
\w	匹配单词字符，即a-z、A-Z、0-9、_	可以写在字符集[...]中
\W	匹配⾮单词字符	可以写在字符集[...]中
[...]	字符集	第一个字符如果是^{表示取反。所有特殊字符（比如"]""-""}"）在字符集中都失去原来的含义，如要使用可把"]""-"放在第一个字符，"^"放在非第一个字符。

example：

import re
ret = re.match(".","M")
# M
ret = re.match("t.o","too")
# too
ret = re.match("t.o","two")
# two

ret = re.match("[hH]","hello Python")  # h
ret = re.match("[hH]","Hello Python")  # H
ret = re.match("[hH]ello Python","Hello Python")  # Hello python

匹配0到9的多种写法

ret = re.match("[0123456789]Hello Python","7Hello Python")
# 7hello python
ret = re.match("[0-9]Hello Python","7Hello Python")
# 7hello python

匹配0到3和5-9

ret = re.match("[0-35-9]Hello Python","7Hello Python")
# 7hello python
ret = re.match("[0-35-9]Hello Python","4Hello Python")
# 
ret = re.match("嫦娥\d号","嫦娥1号发射成功")  # 嫦娥1号
ret = re.match("嫦娥\d号","嫦娥2号发射成功")  # 嫦娥2号

Multi match

字符	功能	位置	表达式实例	完整匹配的字符串
*	匹配前⼀个字符出现0次或者⽆限次，即可有可⽆	用在字符或(...)之后	abc*	abccc
+	匹配前⼀个字符出现1次或者⽆限次，即⾄少有1次	用在字符或(...)之后	abc+	abccc
?	匹配前⼀个字符出现1次或者0次，即要么有1次，要么没有	用在字符或(...)之后	abc?	ab,abc
{m}	匹配前⼀个字符出现m次	用在字符或(...)之后	ab{2}c	abbc
{m, n}	匹配前⼀个字符出现从m到n次 M,N可省略 `{0,}` 与 `*` 相同， `{1,}` 相当于 `+` ， `{0,1}` 和 `?` 相同。	用在字符或(...)之后	ab{1,2}c	abc,abbc

example:

import re
#：匹配出，⼀个字符串第⼀个字⺟为⼤写字符，后⾯都是⼩写字⺟并且这些⼩写字⺟可有可⽆
ret = re.match("[A-Z][a-z]*","M")
print(ret.group())
ret = re.match("[A-Z][a-z]*","MnnM")
print(ret.group())
ret = re.match("[A-Z][a-z]*","Aabcdef")
print(ret.group())
#匹配出，变量名是否有效
names = ["name1", "_name", "2_name", "__name__"]
for name in names:
    ret = re.match("[a-zA-Z_]+[\w]*",name)
    if ret:
        print("变量名 %s 符合要求" % ret.group())
    else:
        print("变量名 %s ⾮法" % name)
#匹配出，0到99之间的数字
ret = re.match("[1-9]?[0-9]","7")
print(ret.group())
ret = re.match("[1-9]?\d","33")
print(ret.group())

这个结果并不是想要的，利⽤$才能解决

ret = re.match("[1-9]?\d","09")
print(ret.group())
ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678")
print(ret.group())
#匹配出，8到20位的密码，可以是⼤⼩写英⽂字⺟、数字、下划线
ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66")
print(ret.group())

结果：
M
Mnn
Aabcdef
变量名 name1 符合要求
变量名 _name 符合要求
变量名 2_name ⾮法
变量名 __name__ 符合要求
7
33
0
12a3g4
1ad12f23s34455ff66

Head and tail match

字符	功能
^	匹配字符串开头，除非设置了 `MULTILINE` 标志，否则只会在字符串的开头匹配。在 `MULTILINE` 模式下，这也在字符串中的每个换行符后立即匹配。
$	匹配字符串结尾，定义为字符串的结尾，或者后跟换行符的任何位置。

举例：匹配163.com的邮箱地址

import re
email_list = ["xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]
for email in email_list:
    ret = re.match("[\w]{4,20}@163\.com$", email)
    if ret:
        print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
    else:
        print("%s 不符合要求" % email)

结果：
xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
xiaoWang@163.comheihei 不符合要求
.com.xiaowang@qq.com 不符合要求

Group match

字符	功能
\|	匹配左右任意⼀个表达式
(ab)	将括号中字符作为⼀个分组
\num	引⽤分组num匹配到的字符串
(?P)	分组起别名，匹配到的子串组在外部是通过定义的 name 来获取的
(?P=name)	引⽤别名为name分组匹配到的字符串

举例：|

#匹配出0-100之间的数字
import re
ret = re.match("[1-9]?\d$|100","8")
print(ret.group()) # 8
ret = re.match("[1-9]?\d$|100","78")
print(ret.group()) # 78
ret = re.match("[1-9]?\d$|100","08")

print(ret.group()) # 不是0-100之间

ret = re.match("[1-9]?\d$|100","100")
print(ret.group()) # 100

举例：( )

#需求：匹配出163、126、qq邮箱
ret = re.match("\w{4,20}@163\.com", "test@163.com")
print(ret.group()) # test@163.com
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com")
print(ret.group()) # test@126.com
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com")
print(ret.group()) # test@qq.com
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")
if ret:
    print(ret.group())
else:
    print("不是163、126、qq邮箱") # 不是163、126、qq邮箱
#不是以4、7结尾的⼿机号码(11位)
tels = ["13100001234", "18912344321", "10086", "18800007777"]
for tel in tels:
    ret = re.match("1\d{9}[0-35-68-9]", tel)
    if ret:
        print(ret.group())
    else:
        print("%s 不是想要的⼿机号" % tel)
#提取区号和电话号码
ret = re.match("([^-]*)-(\d+)","010-12345678")
print(ret.group())
print(ret.group(1))
print(ret.group(2))

举例：\number

匹配数字代表的组合。每个括号是一个组合，组合从1开始编号。比如 (.+) \1 匹配 'the the' 或者 '55 55', 但不会匹配 'thethe' (注意组合后面的空格)。这个特殊序列只能用于匹配前面99个组合。如果 number 的第一个数位是0，或者 number 是三个八进制数，它将不会被看作是一个组合，而是八进制的数字值。在 '[' 和 ']' 字符集合内，任何数字转义都被看作是字符。

例子1：匹配出 hh
\1,...,\9，匹配第n个分组的内容。如例子所示，指匹配第一个分组的内容。

import re

正确的理解思路：如果在第⼀对<>中是什么，按理说在后⾯的那对<>中就应该是什么。通过引⽤分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式。

ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>")

因为2对<>中的数据不⼀致，所以没有匹配出来

test_label = ["<html>hh</html>","<html>hh</htmlbalabala>"]
for label in test_label:
    ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", label)
    if ret:
        print("%s 这是一对正确的标签" % ret.group())
    else:
        print("%s 这是⼀对不正确的标签" % label)
        
结果：

<html>hh</html> 这是一对正确的标签
<html>hh</htmlbalabala> 这是⼀对不正确的标签

例子2：匹配出 <html><h1>www.itcast.cn</h1></html>

import re
labels = ["<html><h1>www.itcast.cn</h1></html>", "<html><h1>www.itcast.cn</h2></html>"]
for label in labels:
    ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", label)
    if ret:
        print("%s 是符合要求的标签" % ret.group())
    else:
        print("%s 不符合要求" % label)
    
结果：

<html><h1>www.itcast.cn</h1></html> 是符合要求的标签
<html><h1>www.itcast.cn</h2></html> 不符合要求

举例：(?P) (?P=name)

一个用于标记，一个用于在同一个正则表达式中复用

import re
ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>","<html><h1>www.itcast.cn</h1></html>")
ret.group()
ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>","<html><h1>www.itcast.cn</h2></html>")
#ret.group()

python贪婪和⾮贪婪

Python⾥数量词默认是贪婪的（在少数语⾔⾥也可能是默认⾮贪婪），总是尝试匹配尽可能多的字符；⾮贪婪则相反，总是尝试匹配尽可能少的字符。

例如：正则表达式”ab*”如果用于查找”abbbc”，将找到”abbb”。而如果使用非贪婪的数量词”ab*?”，将找到”a”。

注：我们一般使用非贪婪模式来提取。

在"*","?","+","{m,n}"后⾯加上？，使贪婪变成⾮贪婪。

举例1：

import re
s="This is a number 234-235-22-423"
#正则表达式模式中使⽤到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满⾜匹配最⻓字符串，在我们上⾯的例⼦⾥⾯，“.+”会从字符串的启始处抓取满⾜模式的最⻓字符，其中包括我们想得到的第⼀个整型字段的中的⼤部分，“\d+”只需⼀位字符就可以匹配，所以它匹配了数字“4”，⽽“.+”则匹配了从字符串起始到这个第⼀位数字4之前的所有字符
r=re.match(".+(\d+-\d+-\d+-\d+)",s)
print(r.group(1))
#⾮贪婪操作符“？”，这个操作符可以⽤在"*","+","?"的后⾯，要求正则匹配的越少越好
r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
print(r.group(1))
结果：

4-235-22-423
234-235-22-423

举例2：

re.match(r"aa(\d+)","aa2343ddd").group(1)
'2343'
re.match(r"aa(\d+?)","aa2343ddd").group(1)
'2'
re.match(r"aa(\d+)ddd","aa2343ddd").group(1)
'2343'
re.match(r"aa(\d+?)ddd","aa2343ddd").group(1)
'2343'

举例3：提取图片地址

import re
test_str="<img data-original=https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973.jpg>"
ret = re.search(r"https://.*?.jpg", test_str)
print(ret.group())
结果：https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973.jpg

r的作⽤

与大多数编程语言相同，正则表达式里使用”\”作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”\”，那么使用编程语言表示的正则表达式里将需要4个反斜杠”\\”：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，Python中字符串前⾯加上 r 表示原⽣字符串。

import re
mm = "c:\\a\\b\\c"
print(mm)#c:\a\b\c
ret = re.match("c:\\\\",mm).group()
print(ret)#c:\
ret = re.match("c:\\\\a",mm).group()
print(ret)#c:\a
ret = re.match(r"c:\\a",mm).group()
print(ret)#c:\a
ret = re.match(r"c:\a",mm).group()
print(ret)#AttributeError: 'NoneType' object has no attribute 'group'