Python正则表达式：30秒精通文本处理

发布于：2025-05-28 ⋅ 阅读:(24) ⋅ 点赞:(0)

一、概述

1. 含义

正则表达式是一种记录文本规则的代码工具，用于描述字符串的结构和模式。它广泛应用于字符串的匹配、查找、替换、提取等操作。

2. 特点

  • 语法复杂：符号多、规则灵活，可读性较差。
  • 功能强大：可以精确控制字符串内容，适用于各种文本处理场景。
  • 跨语言支持：Python、JavaScript、Java 等主流语言都支持正则表达式。

二、Python 中使用正则表达式

1. 导入模块

import re

2. 常用函数介绍

re.match(pattern, string, flags)

从字符串的开头开始匹配，若成功返回 Match 对象，否则返回 None。

  • pattern：要匹配的正则表达式。
  • string：目标字符串。
  • flags：标志位（如忽略大小写）。

⚠️ 注意：

  • 匹配失败时返回的是 None，而不是 False。
  • match() 只从字符串开头开始匹配。
示例：
res = re.match("hello", "hello python")
if res:
    print(res.group())  # 输出: hello
else:
    print("未匹配到字符串")

三、基本语法与元字符

1. 单个字符匹配

元字符 含义
. 匹配任意一个字符（除 \n 外）
\d 匹配任意数字 [0-9]
\D 匹配非数字
\s 匹配空白字符（空格、换行、制表符等）
\S 匹配非空白字符
\w 匹配单词字符（字母、数字、下划线 _）
\W 匹配非单词字符

{}

匹配次数

[]

匹配[]中列举的字符
示例：
# 1 使用.匹配惹你单个字符
text = "hello python"

res = re.match("..",text)
print(res.group())

# 2 匹配 []中列举的字符，一个
res =  re.match("[he]",text)  # 只会匹配h因为匹配单个字符，是从开头匹配的
print(res.group())

res =  re.match("[he][he]",text)  # 匹配到he
print(res.group())
# 3 匹配 0-9
res = re.match("[0123456789]","2312") # 匹配到2
print(res.group())
res = re.match("[0-9]","2312") # 匹配到2
print(res.group())
res = re.match("[0-23-5-9]","2312") # 不匹配4
print(res.group())
# 4 匹配任意字母
res = re.match("[a-zA-Z]","ABCD")
print(res.group())
# 匹配数字 \d
res = re.match("\d","9823456")
print(res.group())
# 匹配数字 9开头的连续4个数字的
res = re.match("9\d{3}","9823456")
print(res.group())

# \D匹配非数字
res = re.match("\D{4}","ABCDEFGHIJKLMNO")
print(res.group())

# 匹配空白 \s
res = re.match("\s"," helllo python")
print(res.group())

# 匹配非空白
res = re.match("\S","helllo python")
print(res.group())

#匹配单词字符 A-Z a-z 0-9 _ 汉字
res = re.match("\w","helllo python")
print(res.group())
res = re.match("\w","你好 python")
print(res.group())
res = re.match("\w",".你好 python") # 匹配不到
if res is not None:
    print("True")
    print(res.group())
else:
    print("False")
# 匹配非单词 \W
res = re.match('\W',"   .你好 python") # 匹配不到
try:
    print("True")
    print(res.group())
except Exception as e:
    print("错误信息",e)

2. 匹配次数控制（量词）

量词 含义
* 匹配前一个字符出现 0 次或多次
+ 匹配前一个字符出现至少一次
? 匹配前一个字符出现 0 次或 1 次
{m} 匹配前一个字符出现恰好 m 次
{m,n} 匹配前一个字符出现 m 到 n 次（包含）
自定义安全匹配函数
def safe_match(pattern, text):
    try:
        res = re.match(pattern, text)
        print(f"匹配成功:[{pattern}] ==>'{res.group()}'")
    except Exception as e:
        print(f"出错了-->{e}")
示例：
safe_match('\w+'," hello python") #捕获异常,至少要匹配1次

safe_match('\w*',"hello python") #输出hello \w匹配单词 *: 将匹配出的单词匹配0次或者无数次  要注意的是*的0次和无数次是针对\w 而不是\w匹配出来的单词

safe_match('\w*',"    hello python") #不会报错,因为是0次或者无数次

safe_match('\w+'," hello python") #捕获异常,至少要匹配1次
safe_match('\w?'," hello python") #不会报错,因为是0次或者1次
safe_match('\w{3}', "hello python")  # 不会报错,因为是0次或者1次

safe_match('\w{7}', "hello python") # 会报错,没有7个连续的单词
safe_match('\w{4,7}', "hello python") # 不会报错 因为查询4-7个单词

四、匹配位置控制

符号 含义
^ 匹配字符串的开始位置
$ 匹配字符串的结束位置
示例：
# ^: 匹配字符串开头,或者对某种规则取反
safe_match('^hell', "hello python") # 以hell开头
# []:再[]中表示取反
safe_match("[^py]","hello python") #
# $ 匹配字符串结尾 但是要注意match是从开头匹配的
# 匹配以n结尾应该这样
safe_match('.*[n]$',"hello python")
# 匹配以非n结尾应该这样
safe_match('.*[^n]$',"hello python")

五、分组与引用

符号 含义

| 

匹配左右任意一个表达式: 优先匹配左边的,左边不匹配再去右边

(ab)

将括号中的字符作为一个分组

\num

匹配分组num匹配到的字符串

(?P<name>)

分组起别名

(?P=name)

 引用别名为name分组匹配到的字符串。为分组命名，便于后续引用。
示例：
# 匹配左右任意任意表达式
safe_match("abc|ABC","abc")
safe_match("abc|ABC","ABC")

# (ab) 将括号中的字符作为一个分组
safe_match("\w*@(163|qq|wechat).com","stitchcool@163.com")

# 匹配分组num匹配到的字符串  -一般再匹配标签时使用
# 注意:从外到内进行排序,编号从1开始
safe_match("<\w*>\w*</\w*>","<html>login</html>")
#这样太麻烦 我们使用匹配到分组匹配到的字符串

safe_match("<(\w*)>\w*</\\1>","<html>login</html>")
# 也可以使用r取消转义
safe_match(r"<(\w*)>\w*</\1>","<html>login</html>")
safe_match(r"<(\w*)><(\w*)>\w*</\2></\1>","<html><body>login</body></html>")

# 别名操作
safe_match(r"<(?P<标签1>\w*)><(?P<标签2>\w*)>\w*</(?P=标签2)></(?P=标签1)>","<html><body>login</body></html>")
# 匹配网址 前缀一般是www 后缀 .com/.cn等
li = ["www.baidu.com","www.python.org","http.taobao.cn","http\iaidu\com"]

for i in li:
    safe_match(r"www(.)\w*\1(com|cn|org)",i)

    # r'':也就是原始字符串,也就是不会经过转义,将字符串完整的写入
    #  "http\niaidu\com"  ->这个没有加r表示会对里面的字符串进行转义,在内存中就会是 http 回车 iaidu\com  因为后面的\c不是有效的转义符号,就会原样输出
    # r("http\niaidu\com")  这个是原始字符串,不会进行转义,写入内存的就是 "http\niaidu\com"
print(li[3])

str111= "http\niaidu\com"
print(str111)
str111 = r"http\niaidu\com"
print(str111)
safe_match(r"\w",str111)

五、高级用法

1. re.search()

扫描整个字符串并返回第一个成功匹配的结果。

def safe_search(pattern, text):
    try:
        res = re.search(pattern, text)
        print("search成功: ", res.group())
    except Exception as e:
        print("search失败:", e)

safe_search("\d", "python123")  # 成功匹配 '1'

2. re.findall()

返回所有匹配项组成的列表，不会报错。

print(re.findall("\d", "1py2345thon"))  # ['1','2','3','4','5']

3. re.sub()

替换匹配内容。

# re.sub(pattern,rep,string,count)
# pattren : 代表正则表达式,表示需要被替换的,
# rep: 替换的新内容
# string: 被替换的
# count: 替换的次数 默认匹配到的全被替换

res = re.sub("\d", "X", "[1,2,3,4,5]")
print(res)  # 输出: [X,X,X,X,X]

4. re.split()

按正则表达式分割字符串。

#re.split(pattern,string,maxsplit)
# pattern 正则表达式,把其中的内容当作分隔符
# string 字符串
# maxsplit：指定最大分割次数

res = re.split("\d", "Y1Y2Y3Y4Y5]", 2)
print(res)  # ['Y', 'Y', 'Y3Y4Y5]']

六、贪婪与非贪婪

  • 默认是贪婪匹配：尽可能匹配更长的字符串。
  • 添加 ? 表示非贪婪匹配：尽可能短地匹配。
示例：
text = "<div>hello</div><div>world</div>"
safe_match(r"<div>(.*)</div>", text)  # 贪婪，匹配整个字符串
safe_match(r"<div>(.*?)</div>", text)  # 非贪婪，只匹配第一个 div

七、原始字符串（Raw String）

在 Python 中，使用 r"" 定义原始字符串，避免转义问题。

写法 含义
"\\\\" 普通字符串中表示两个反斜杠，进入内存后是 \\，这正好是正则表达式要匹配的单个 \
r"\\" 原始字符串中直接表示 \，不会被 Python 转义，推荐使用

在普通字符串中，为了在正则表达式中匹配一个反斜杠 \，你需要写成 "\\\\"：

第一层转义是 Python 字符串解析器做的，将 "\\\\" 转义为 \\
第二层转义是正则表达式引擎做的，将 \\ 转义为一个实际的 \
如果使用原始字符串 r""，只需要写成 r"\\" 就可以了，清晰又安全！

显示区分:
  1. "E:\\pyCode\\pytest\\pythonProject1" 这个字符串中，每个 \\ 都被 Python 解释器当作一个单独的反斜杠字符。
  2. 实际在内存中它是E:\pyCode\pytest\pythonProject1一个\，当你打印它的时候，print() 函数默认会把每一个反斜杠 \ 显示为字面意义上的 \\。

所以你看到的是E:\\pyCode\\pytest\\pythonProject1，但如果你直接在控制台输入那就会变得不一样。

控制台输出
  • 下面就是一个在控制台输出的\\的实际显示

示例：
safe_match(r"\\", r"\game")  # 成功匹配 '\'
safe_match("\\\\", "\\game")  # 成功匹配 '\'

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布