Python正则表达式完整指南

正则表达式处理文本就像风扫过秋叶一样。大多数编程语言都内置了对正则表达式的支持，用于表单验证、文本提取和替换等场景。爬虫系统离不开正则表达式，可以事半功倍。

在介绍正则表达式之前，我们先来看一个问题。以下文字来源于豆瓣的一个网页链接，我对内容进行了删减。问：如何提取文本中的所有电子邮件地址？

html=' ' '样式。二维码-app { display : }块；background : URL(/pics/[email protected])不重复；}/style div class=' reply-doc content ' p class=' '[email protected]，谢谢/p p class=''[emailprotected]请/p/div p class=' '[email protected]br/谢谢/p ' '。如果你没有接触过正则表达式，我认为你对此无能为力。似乎你想不出更好的方法来处理它而不正规化。然而，让我们暂时把这个问题放在一边，等到你学完正则表达式。

字符串的表示形式

Python字符串有几种表达形式，以U开头的字符串称为Unicode字符串，这超出了本文的范围。此外，你应该已经看到了这两种写作方式：

Foo='hello' bar=r'hello '前者是常规字符串，而后者以原始字符串开头。两者有什么区别？因为在上面的例子中，它们都是由普通文本字符组成的字符串，这里没有区别，这可以在下面证明

Foo是barTrue foo==barTrue但是如果字符串包含特殊字符会怎么样呢？我们再举一个例子：

Foo=' \ n' bar=r' \ n' foo，len (foo) ('\ n '，1) bar，len (bar) ('\ \ n '，2) foo==barfalse' \ n '是转义字符，这意味着ASCII中的换行符r' \ n '是原始字符串，原始字符串不转义特殊字符。它是您看到的字面意思，是由两个字符组成的字符串：“\”和“n”。

定义原始字符串可以以小写R或大写R开头，例如，允许使用r'\b '或R'\b '。在Python中，正则表达式通常以原始字符串的形式定义。为什么呢？

例如，对于字符' \b '，在ASCII中有特殊含义，表示退格键，而在正则表达式中，它是特殊的元字符，用于匹配单词的边界。为了让常规编译器正确表达其含义，它需要使用原始字符串。当然，它也可以使用反斜杠“\”来转义传统定义的字符串

Foo='\\b' bar=r'\b' foo==barTrue常规基本介绍

正则表达式由普通文本字符和特殊字符(元字符)组成。元字符在正则表达式中有特殊的含义，这使得正则表达式更具表现力。例如，在正则表达式r'a.d '中，字符“a”和“d”是普通字符。是元字符。可以指代任何字符，并且可以匹配“a1d”、“a2d”和“acd”。其匹配过程如下：

Python内置模块re是专门用于处理正则表达式的模块。

Rex=r'a.d' #正则表达式文本original _ str='和' #原始文本模式=re.compile(rex) #正则表达式对象m=pattern . match(origin _ str)# Matching对象m _ sre . sre _ match objectat0x 101 c 85 b 28 #相当于re。match (r' a.d '，'和')_ sre . sre _ match objectat0x 10 a15 DC c8。如果原始文本字符串与正则表达式匹配，它将返回一个match对象。如果没有匹配，匹配方法将返回None。如果m是无，

接下来，我们需要学习更多元字符。

基本元字符。匹配除换行符以外的任何字符，例如，‘A . c’可以完全匹配‘ABC’或‘ABC’\:转义字符在‘abcef’中，这样特殊字符就有了本来的意义，例如1\.2可以匹配方括号中的任何字符，例如它还支持范围运算，例如：A到Z可以表示为‘A-Z’，0到9可以表示为‘0-9’。请注意，“[]”中的特殊字符不再具有特殊含义，即它们的字面含义，例如：[。*]是匹配项。或者* [.】，并且字符集是反转的，这意味着只要不是括号。

re.match(r'a.c '，' abc ')。group()'abc' re.match(r'a.c '，' abcef ')。group()'abc' re.match(r'1\.2 '，' 1.2 ')。group()'1.2' re.match(r'a[0-9]b '，' a2b ')。group()'a2b' re.match(r'a[0-9]b '，' a5b11 ')。group()'a5b' re.match(r'a[。*?]b '，' a.b ')。re.match(r'abc[^\w]'，abc！123').group()'abc！Group方法返回原始字符串(abcf)中与正则表达式匹配的子字符串(abc)部分。事先，只有匹配方法匹配成功，匹配对象才会返回，然后组方法才可用。

预设元字符

\w匹配任何单词字符，包括数字和下划线，相当于[A-Za-z0-9_]。例如，a\wc可以匹配abc，acc\W可以匹配任何非单词字符。与\w操作相反，它相当于[a-za-z0-9 _]，例如：a\Wc C\s匹配任何空白字符，空格和回车都是空白字符。例如，\sc可以与\nc匹配，其中\n表示回车\S匹配任何非空白字符\d匹配任何数字，相当于[0-9]。例如，a\dc可以匹配A2C的a1c.\.

边界匹配

与边界匹配相关的符号专门用于修改字符。

匹配字符的开头在字符串的前面，例如：abc表示匹配A开头后跟bc的字符串，可以匹配字符串结尾的abc$匹配字符的结尾，例如：hello $ re.match (r' ABC '，' Abc ')。组()‘ABC’re . match(r’ABC)

前面的元字符都匹配一个字符。如果希望匹配的字符重复出现，例如长度为18位的匹配ID号，则需要使用重复匹配的元字符

*重复匹配零次或多次？重复匹配零次或一次或多次{n}重复匹配n次{n，}重复匹配至少n次{n，m}重复匹配n到m次

#只需匹配身份证号码，前17位是数字，最后一位可以是数字或字母x re。匹配(r' \ d {17} [\ dx]'，' 42350119900101153x ')。Group ()' 42350119900101153x' #匹配5到115。

匹配固定电话号码在不同地区有不同的规则。一些本地区号有3位数字，而另一些有4位数字和7位数字。区号和号码用-。如果我们满足了这个需求呢？此时，您需要使用逻辑分支条件字符|，它将表达式分为左右两部分。先试着匹配左边的部分。如果匹配成功，将不再匹配后一部分。这是一种逻辑“或”关系

# abc|cde可以匹配abc或cde，但要匹配ABC re。匹配(r' aa (ABC | CDE)'、' aabcccde ')。group()“aaabc”0 \ d { 2 }-\ d { 8 } | 0 \ d { 3 }-\ d { 4 }它也可以匹配7位数re。匹配(r' 0 \ d {2}-\ d {8} | 0 \ d {3}-\ d {7} '，' 0755-4348767 ')。group ()' 0755-4348767 '

上述匹配规则都是针对单个字符的。如果要重复匹配多个字符怎么办？答案是使用子表达式(也称为分组)，分组用括号“()”表示。例如，(abc){2}表示匹配abc两次。匹配IP地址时，可以使用(\ d {1，3} \。){例如：192.168.0.1。

关于分组，可以使用group方法提取匹配的字符串分组。默认情况下，它会将整个表达式的匹配结果作为第0个分组，即group()或group(0)不带参数，括号中的第一组组由group(1)获得，依此类推

M=re。match (r' (\ d) (\ w ')，' 123 AAC ')# group 0，匹配整个正则表达式m . group()' 123 AAC ' #等价的m . group(0)' 123 AAC ' # group 1，匹配第一对括号m.group (1)此外，还可以通过指定名称获得分组。

#第一个组的名称是number#第二个组的名称是char m=re.match(r '(？Pnumber\d()？Pchar \ w)'、' 123 AAC ')m . group(' number ')' 123 ' #等价m.group(1)'123 '贪婪和非贪婪

默认情况下，正则表达式重复匹配时，在整个表达式可以匹配的前提下，匹配尽可能多的字符。我们称之为贪婪模式，是一种贪得无厌的模式。比如说r'a。“b”表示匹配a的开头和b的结尾，中间可以是任意数量字符的字符串。如果它用于匹配aabcb，它将匹配整个字符串。

Re。匹配(r' a. * b '，' aabcb ')。group()‘aabcb’有时候，我们想要的匹配越少越好。我们做什么呢只需在量词“？”后面加一个问号，在保证匹配的情况下，尽量少匹配。例如，我们只想匹配aaab，所以我们只需要将正则表达式修改为r'a。*?' b '

重新匹配(r'a。*?' b '，' aabcb ')。group()“aaab”在crawler应用程序中经常使用。比如在微信官方账号的“Python Zen”中，我写了一个爬取网站并转换成PDF文件的场景。当img标签元素是网页上的相对路径时，我们需要用绝对路径替换它

html=' img src=' http :/images/category . png ' img src=' http :/images/js _ framework . png ' ' #两个在非贪婪模式下匹配的img标记#您可以更改为贪婪模式，看看有多少rex=r' img可以匹配。src='http:(。*?)' ' re.findall(rex，html)['/images/category.png '，'/images/js _ framework . png ']def fun(match):img_tag=match.group().src=match.group(1).full_src='http://foofish.net' src.new _ img _ tag=img _ tag . replace(src，full_src).返回新的img标签.re.sub(rex，fun，Html)img src=' http:http://foofish.net/images/category.png' img src=' http:http://foofish.net/images/js _ framework . png ' sub函数可以接受一个函数作为替换目标对象，并用该函数的返回值替换正则表达式的匹配部分。在这里，我定义了整个img标签。src='http:(。*?)''，group()返回的值是img src=' http :/images/category.png '，而group(1)的返回值是/images/category . png，最后我用replace方法将相对路径替换为绝对路径。

至此，您应该对正则表达式有了初步的了解，现在我认为您应该能够解决文章开头提出的问题。

正则表达式的基本介绍到此结束。虽然代码示例中使用了re模块中的许多方法，但我还没有正式介绍该模块。考虑到文章的篇幅，我将把这一部分放在下一部分，介绍re的常用方法。

以上是边肖介绍的Python正则表达式完整指南，希望对大家有所帮助。如果你有任何问题，请给我留言，边肖会及时回复你。非常感谢您对我们网站的支持！