python编程学习进阶笔记——简单正则表达式

2023-07-0419:15:52编程语言入门到精通Comments986 views字数 5687阅读模式

虽然本文的title叫做python进阶，但其实正则表达式在其它语言（最常见的例如前端开发的javascript、以及python爬虫等）中也有运用，只不过笔者想要稍微有针对性一点。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果你在外网期刊数据库上检索过一些文章，可以发现其检索语法和正则表达式很像。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果你和我一样，懒得写程序，可以使用这个在线网站：https://regex101.com/。适配语言使用python即可. 当然其它也大同小异。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果你是个python萌新，那么请放心阅读，因为我也是。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果你是个大佬，请轻喷。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

1 基础部分

首先引出普通字符的概念，也就是正则表达式中直接进行匹配的字符，例如 "原神"：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

但这就没办法体现出正则表达式的厉害之处了，因此我们首先介绍一下元字符：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

1.1 单个字符匹配[.]

这里的 '.' 是我们介绍的第一个元字符，其不代表真正的英文句点，而是代表除了换行符外的任何字符。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

例如下面这个例子：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

你会发现，这个 '.' 在原文本中匹配了不同的单个文字，例如“鸡”，“坤”。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

放到python中，实现如下：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re #regular expression

content = ''' 
鸡你太美
坤你太美
只因你太美
你太美
你太丑
'''#单三引号，可以直接输入换行

p = re.compile(r".你太美") #获得模式串
print(type(p)) 
for item in p.findall(content): #findall 返回个列表
    print(item)

运行结果如下：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

<class 're.Pattern'>
鸡你太美
坤你太美
因你太美

首先，我们需要导入 re 这个包（一般是python自带的），它是regular expression的简称，提供正则表达式的支持。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

然后，content存了我们的文本串。这里使用单三引号，支持直接对内容进行多行描述。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

然后，我们调用re.compile函数，里面是我们的正则表达式（这里的r是将转义字符恢复成原有字符，例如'\n'不代表换行符，因为其已经被恢复成原有的反斜杠和'n'），获得一个p变量，其类型为<class 're.Pattern'>，你可以认为是一个特殊的模式串，我们要通过这个模式串进行模式匹配。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

然后该变量是类的一个实例，其拥有一个方法p.findall()，它返回的是一个列表，而在这里其内容便是我们成功匹配的子串啦！当然，待会会介绍另一个个人感觉更优的方式。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

但是，如果我们也想匹配不止一个字符，该怎么办呢？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

1.2 任意数量匹配[*]

上个例子中，发现我们匹配的结果“因你太美”中缺少了 '只' 字，这下ikun们不满意了。辣么我们怎么办呢？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

尝试一下在上面的正则表达式 '.你太美' 中句号后面加个星号：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

欸，这下整个“只因”都匹配进去了！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

分析一下原理：既然 '.' 代表任意字符，而 '*' 代表任意数量，那么 '.*' 不就代表任意数量的任意字符了吗？注意，这里的 '*' 不代表任何字符，它是根据前一个字符而决定的。例子：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

python程序就没必要给出了。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

1.3 严格大于0的数量匹配[+]

这里介绍元字符：'+'，其功能与 '*' 极其相似，唯一区别是在于 '+' 必须匹配大于0个的字符，而 '*' 可以匹配等于0个字符：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

1.4 使用花括号进行匹配次数的限制

对于上面所介绍的星号和加号，我们对其匹配字符的个数加以限制，这时候我们就需要花括号了。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

例如，我们想匹配准确的2个字符，可以这样：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

在所要限制的字符（这里是元字符'.'）后面加个花括号，里面是你要匹配的字符个数。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

当然，花括号里面也可以是一个区间：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

区间中间用逗号隔开。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

1.5 匹配单个或零个字符 [?]

如果我们想要匹配区间 $[0, 1]$ 个字符，除了上述花括号的写法{0,1}，还可以直接使用问号 '?'.文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

具体例子就不给出了，你应该知道该怎么写。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

1.6 首尾标志符 [^][$]

如果我们想让匹配的字符在一行的开头，我们可以在最前面加个首标志符 '^'：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果你按照上面的模板写程序：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''applea
banana
aaappp'''

p = re.compile(r'^a+')
for item in  p.findall(content):
    print(item)

可以发现其只输出了一个 'a'，而理论上应该还要输出 'aaa'，这是怎么回事呢？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

原来，这里程序里的 '^' 并不代表一行的开头，而是代表整个文本的开头，因此，我们需要在compile函数内修改匹配模式。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果使用多行模式（这样每一行都有一个开头），我们可以加个参数 re.M：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''applea
banana
aaappp'''

p = re.compile(r'^a+',re.M)
for item in  p.findall(content):
    print(item)

运行一下试试看！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

相对应的，'$' 则代表行尾或者文本尾，取决于你使用的模式。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

2 对于字符的进阶处理

主要的元字符已经介绍完了！但是如果我们的文本内容本身就有元字符，而我们又想匹配它，该怎么办呢？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

2.1 转义

转义，顾名思义，你可以理解为转化一个字符的含义。例如常见的 '\n' 代表换行。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

而这里，我们同样使用反斜杠 '\' 来进行转义。例如 '\.' 就代表 '.' 这个字符，而 '\?' 就代表问号：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

诶等一下下！这个括号是啥？这个 '|' 又是啥？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果你学过C，可以知道 '|' 是按位或的意思，在这里你可以理解为可以同时匹配 '.' 和 '?'。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

而括号就涉及到后面要介绍的分组的概念。因此，如果你直接写代码：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''鸡.你太美
坤.你太美
只因.你太美
cxk?你太美
你太丑'''

p = re.compile(r'(\.|\?)你太美')
for item in  p.findall(content):
    print(item)

其输出：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

.
.
.
?

诶？为什么不返回整个字符串，而是只返回字符，也就是括号里的东西呢？这里我们再留个悬念（逃文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

2.2 特定字符

我们先不管上面的问题，考虑一下如何匹配数字字符。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

我们可以使用 '\d' 来匹配！这里的 d 代表 digit ，也就是数位的意思：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果我们使用大写的 '\D' ，它就会和 '\d' 取补集，也就是非数位：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

相对应的，'\s' 代表空白字符（space，tab，换行等），'\S' 代表非空白字符。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

'\w' 则代表任意一个文字字符，包括字母、数字、下划线。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

2.3 匹配几个字符之一 []

上面的 '\d' 代表数字字符。但是，我们也可以使用 [0-9] 来代表数字字符。这里使用方括号来代表匹配的字符之一：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

通过方括号将匹配字符限定在了[1-9]，因此非0的字符皆被匹配。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果你想匹配数字+小写字母，可以写成[0-9a-z]：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

但是，如果你直接写[0-z]：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

可以发现其中乱七八糟的一些字符也匹配进去了。这是因为正则表达式在这里是通过你确定的字符所代表的ASCII编码的上下界来匹配相应字符。0的ascii编码为48，z为122，而@为64，在二者之间。因此其也能被匹配。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

2.4 同时匹配 [|]

上面我们提到了这个符号 '|' ，它代表同时匹配几个字符之一。这个比较好理解，下面直接给出例子：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

当然，如果加上分组，它便可以代表同时匹配几个子串，后面再说~文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

3 贪婪模式 vs 懒惰模式

这里直接给出在其它re教程中的一个练习：匹配所有的html标签。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

不难想出上述的正则表达式。但是我们发现，我们div标签内的文本内容居然也被匹配了！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

这是因为，我们默认的匹配模式是贪心的，也就是说，它默认匹配尽可能多的字符。因此上面的<和>分别对应文本首尾，因为这样匹配的字数更多。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果我们加个问号文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

它就匹配成功了。因为匹配模式从匹配尽可能多的字符转化为匹配尽可能少的字符，也就是懒惰模式。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

因此，当问号前面的字符是特定的字符或者 '.' 时，它便是我们前面说过的用于匹配 0 or 1 个字符的元字符。而前面是 '*' 或者 '+' 的时候，它便代表懒惰模式！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

4 用括号进行分组

假设我们要匹配文本“你太美”的前面所有字符，直接使用 ".*你太美" 是不可以的，因为它会把你太美这几个字也匹配到。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

这里我们解释一下 p.findall(content) 的含义：它返回每一个成功匹配的分组的列表！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

因此，我们可以加个分组的括号：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

Code：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''鸡你太美
坤你太美
只因你太美
cxk你太美
你太丑'''

p = re.compile(r'(.+)你太美',re.M)
for item in  p.findall(content):
    print(item)

Output：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

鸡
坤
只因
cxk

可以发现成功将 "你太美" 分了出去！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

当然，分组一般可以多次使用。例如我们每一行有个个人信息，需要将姓名和电话号码提取出：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

Code：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''菜虚坤，电话号码：11451419198
签哥，电话号码：23333333333
池答辩，电话号码：02020202022'''

p = re.compile(r'^(.{2,3})，电话号码：(\d{11})',re.M)
for item in  p.findall(content):
    print(item)

Output：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

('菜虚坤', '11451419198')
('签哥', '23333333333')
('池答辩', '02020202022')

对于每一行，返回一个列表。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

但是，如果我们想返回整个行的内容，该怎么办呢？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

很明显，直接输出就好了（逃文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

如果只提取关键信息：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

这时候我们需要用到另一个函数：finditer()。它是通过迭代的方式，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''菜虚坤，电话号码：11451419198，阿巴阿巴
签哥，电话号码：23333333333，怎么写文章这么累
池答辩，电话号码：02020202022'''

p = re.compile(r'^(.{2,3})，电话号码：(\d{11})',re.M)
print(p.finditer(content))
for item in  p.finditer(content):
    print(item.group(),item.group(1),item.group(2))

Output：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

<callable_iterator object at 0x0000025AB338EBC0>
菜虚坤，电话号码：11451419198 菜虚坤 11451419198
签哥，电话号码：23333333333 签哥 23333333333
池答辩，电话号码：02020202022 池答辩 02020202022

这里每一个item的group代表你每一个分组内的字符串。默认的group()或者group(0)代表整个大分组，也就是整个所匹配的字符串。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

因此，对于 2.1 的例子，我们可以使用 p.finditer(content) 返回的迭代器所对应每一个迭代变量的group()方法来提取每一个完整匹配的字符串。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

5 分割字符串 split()

如果你打过ACM，那么你应该知道，使用python进行输入的时候，常常会搭配split方法：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

A = input().split(' ')

一样地，split里面可以是一个正则表达式，例如我们想把一段英文中的所有单词提取出来：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

Code：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''I want to play galgame,  What about you? emmm. '''

p = re.compile(r'\s*[.,?\s]\s*' ,re.M)
lis = p.split(content)
print(lis)

Output：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

['I', 'want', 'to', 'play', 'galgame', 'What', 'about', 'you', 'emmm', '']

这里的正则表达式代表 . ，？和多余的空白字符，以此为基准进行分割，得到正文单词。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

6 个人练习：IP地址匹配

假设ip地址的每一位在0-255之间，共四位，由3个句点隔开，无前导零。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

这里的\b代表和相邻的文本进行分隔。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

稍微分析一下，这里便涉及了分组和 '|' 符号的共同使用。在这里你可以把这里的 '|' 号看作或的关系，也就是许许多多的括号(25[0-5])|(2[0-4]\d)|(1\d{2})|([1-9]\d)|(\d)中间用竖线隔开，代表可以同时匹配这么多分组内的其中一个分组所代表的串。对于上面每一个分组内的含义：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

第一个代表区间[250,255]，第二个代表区间[200,249]，第三个代表[100,199]，第四个代表[10,99]，第五个代表[0,9]，合起来便是[0-255]。注意前导0。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

当然，括号还可以嵌套使用，我们将上面整体用括号分为一个大组，然后和转义字符 '\.'，便代表ip地址的一位加上句点：XXX.文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

然后我们用{3}让它复制三遍，最后把数字部分复制到结尾，就大功告成了！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

Code：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

import re

content = '''114.514.191.810
255.255.025.255
245.146.192.68
255.255.255:255
0.0.0.1
145.255.148.72
72.162.11.3
255.256.255.249'''

p = re.compile(r'\b(((25[0-5])|(2[0-4]\d)|(1\d{2})|([1-9]\d)|(\d))\.){3}'
               r'((25[0-5])|(2[0-4]\d)|(1\d{2})|([1-9]\d)|(\d))\b',re.M)
for item in  p.finditer(content):
    print(item.group())

Output：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

245.146.192.68
0.0.0.1
145.255.148.72
72.162.11.3

7 结语

以上是 python with re 的最基础的内容，笔者花费几个小时自学的。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

不得不说，在ACM打铁和绩点爆炸的压力下还能摸鱼学点其它东西，也算是一种勇气吧。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

以后可能也会做点其它的python笔记，毕竟我的python用的太少。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/49823.html

python编程学习进阶笔记——简单正则表达式

1 基础部分

1.1 单个字符匹配[.]

1.2 任意数量匹配[*]

1.3 严格大于0的数量匹配[+]

1.4 使用花括号进行匹配次数的限制

1.5 匹配单个或零个字符 [?]

1.6 首尾标志符 [^][$]

2 对于字符的进阶处理

2.1 转义

2.2 特定字符

2.3 匹配几个字符之一 []

2.4 同时匹配 [|]

3 贪婪模式 vs 懒惰模式

4 用括号进行分组

5 分割字符串 split()

6 个人练习：IP地址匹配

7 结语

C语言菜鸟教程：数组指针

C语言菜鸟教程：字符数组和字符串

加速Python循环12种方法，最高提速900倍！

C语言菜鸟教程：程序的分支结构

2024 年还值得学习PHP吗？

C语言编程学习：浮点数类型

比 Python 快 9 万倍的AI 编程语言 Mojo 正式开源

TIOBE4月编程语言排行榜：PHP排名跌至历史最低

深入探索Python内存回收机制：原理与实践

TIOBE2024 年 3 月编程语言排行榜，Python 遥遥领先

Comment