正則表達(dá)式（Regular Expression, RE）就是一組定義某種搜索模式（pattern）的字符。

最簡(jiǎn)單的 RE 例子如下。

'steven'

很明顯，這樣一個(gè) RE 只能搜索出含 steven 的字符串。

你可以用 Python 代碼來驗(yàn)證，但現(xiàn)在假設(shè)我們還不會(huì)寫，我們可以去?https://regex101.com/ 來驗(yàn)證。如下圖右上角所示，匹配成功。

這樣來搜索未免太傻了，有沒有稍微智能一點(diǎn)的方法。再看下面的 RE。

^s....n$

上面的 RE 定義的模式如下：任何 6 個(gè)字符的單詞，以 s 開頭 (^s 的效果)，以 n 收尾 (n$ 的效果)。之所以是 6 個(gè)字符，是因?yàn)橛?4 個(gè)點(diǎn) (.) 加上 s 和 n 字符。用上面那個(gè)網(wǎng)站做驗(yàn)證，這個(gè) RE ^s....n$?的若干匹配結(jié)果如下：

• seven：不匹配（五個(gè)字母）

• strong man：不匹配（十個(gè)字母加空格）

• soften：匹配

• steven：匹配

• Steven：不匹配
  

看最后兩個(gè) steven 和 Steven，區(qū)別是第一個(gè)字母的大小寫，如果我想匹配兩者怎么辦呢？用下面的 RE

^[s|S]....n$

中括號(hào) [] 表示一個(gè)集合，而 | 分隔集合里面的元素，在本例是 s 和 S。意思就是匹配開頭的 s 或 S，結(jié)尾是 n 的 6 字符的單詞。?

這樣每次固定單詞長(zhǎng)度也不太智能吧（比如長(zhǎng)度為 n 就需要手動(dòng)輸入 n 個(gè)點(diǎn) .），開頭 s 結(jié)尾 n 的單詞好多呢，我如果都想搜索出來該怎么辦呢？看下面的 RE

^s[a-z]+n$

現(xiàn)在 sun 和 strengthen 都可以匹配出來了。起作用的是 [a-z]+，[a-z] 表示小寫的字母 a 到 z 的集合，而 + 代表大于一次，聯(lián)合在一起的意思就是該單詞“以 s 開頭，以 n 結(jié)尾，中間有大于一個(gè)的任何小寫字母”。

但上述模式對(duì)單詞 self-restrain 不起作用，因?yàn)橛袀€(gè)短連接線（hyphen）。

沒關(guān)系，我們把 - 加入字母集合里，寫成 [a-z-]+，注意第一個(gè) - 表示從 a 到 z，第二個(gè) - 表示短連接線。現(xiàn)在可以匹配 self-restrain 了。

目前對(duì) RE 有點(diǎn)感覺了吧，即便不會(huì)確切的表示也沒關(guān)系，因?yàn)檫@就是本帖要介紹的。還是那句話，興趣最重要，有興趣才能有效的往下看。

本帖結(jié)構(gòu)如下：

1. 原始字符串

2. 五類元字符
   

3. 七個(gè)函數(shù)

4. 三個(gè)實(shí)例

注：本帖里的 RE 可視化可參考鏈接 https://www.debuggex.com/。

原始字符串（raw string）是所有的字符串都是直接按照字面的意思來使用，沒有轉(zhuǎn)義特殊或不能打印的字符，通常簡(jiǎn)稱為 r-string。

如果沒有轉(zhuǎn)義字符，原始字符串和普通字符串是一樣的，比如

print('hello')print(r'hello')

hello
hello

如果有轉(zhuǎn)義字符（用反斜線 \），原始字符串和普通字符串是不一樣的，比如

print('\blake')print(r'\blake')

lake
\blake

因此，不管什么時(shí)候用原始字符串準(zhǔn)沒錯(cuò)。

元字符（meta character）就是一種自帶特殊含義的字符，也叫特殊字符。比如 [] * + ? {} | () . ^ $ \，原字符按用途可分五類：

• 表示集合：[]

• 表示次數(shù)：* + ? {}

• 表示并列：|

• 用于提取：()

• 用于轉(zhuǎn)義：. ^ $ \

首先定義一個(gè)函數(shù)，當(dāng)在句子（是個(gè)字符串 str）沒有發(fā)現(xiàn)模式 pat 時(shí)，返回“沒有找到”，反之打印出所有符合模式的子字符串。

import re
def look_for(pat, str):    return '沒有找到' if re.search(pat, str) is None                       else re.findall(pat, str)

上面代碼中的 re 是 Python 中正則表達(dá)式的庫(kù)，而 search 和 findall 是包里的兩個(gè)函數(shù)，顧名思義它們做的就是搜索和找出全部的意思，第三節(jié)會(huì)詳解講。

中括號(hào)表示一個(gè)字符集，即創(chuàng)建的模式匹配中括號(hào)里指定字符集中的任意一個(gè)字符，字符集有三種方式來表現(xiàn)：

• 明確字符：[abc] 會(huì)匹配字符 a，b 或者 c

• 范圍字符：[a-z] 會(huì)匹配字符 a 到 z

• 補(bǔ)集字符：[^6]?會(huì)匹配除了 6 以外的字符

下面我們來一一細(xì)看。

匹配中括號(hào)里面的任意一個(gè)字符。

pat = r'[abc]'

print( look_for(pat, 'a') )print( look_for(pat, 'ac') )print( look_for(pat, 'cba') )print( look_for(pat, 'steven') )

['a']
['a', 'c']
['c', 'b', 'a']
沒有找到

分析如下：

該模式只匹配字符 a，b 或者 c，因此前三個(gè)例子的字符串里都有相應(yīng)字符匹配，而最后例子里的 steven 不包含 a, b 或 c。

模式?[abc]? 的可視圖如下，注意 “One of” 是說集合里面的字符是“或”的關(guān)系。

在 [ ]?中加入 - 即可設(shè)定范圍，比如

• [a-e]?=?[abcde]

• [1-4]?=?[1234]

• [a-ep]?=?[abcdep]

• [0-38]?=?[01238]

看兩個(gè)例子。

print( look_for(r'[a-ep]', 'person') )print( look_for(r'[0-38]', '666') )

['p', 'e']
沒有找到

分析如下：

• 例一的模式等價(jià)于?[abcdep]，匹配單詞 person 里面的 p 和 e 字符。

• 例二的模式等價(jià)于?[01238]，不匹配單詞 666 里面的任何字符。

模式?[a-ep]?和 [0-38]?的可視圖如下。

在?[ ]?中加入?^?即可除去后面的字符集，比如

• [^abc] 就是非 a, b, c 的字符

• [^123] 就是非 1, 2, 3 的字符

看四個(gè)例子。

print( look_for(r'[^abc]', 'baba') )print( look_for(r'[^abc]', 'steven') )print( look_for(r'[^123]', '456') )print( look_for(r'[^123]', '1+2=3') )

沒有找到
['s', 't', 'e', 'v', 'e', 'n']
['4', '5', '6']
['+', '=']

分析如下：

• 例一 baba 里面所有字母不是?a 就是?b，因此沒有匹配

• 例二 steven 所有字母都不是?a, b 和 c，因此全部匹配

• 例三?456?所有字母不是 1,2 和?3，因此全部匹配

• 例四?1+2=3?有 +號(hào)和 =號(hào)不是 1, 2?和 3，因此它倆匹配

模式?[^abc]?和?[^123]?的可視圖如下。注意 “None of” 是說集合里面的字符是的補(bǔ)集。

上面的模式有個(gè)致命短板，就是只能匹配一個(gè)字符！這在實(shí)際應(yīng)用幾乎沒用，因此我們需要某些帶有“次數(shù)功能”的元字符，如下：

• 貪婪模式：

  
  

• *?表示后面可跟 0 個(gè)或多個(gè)字符

• +?表示后面可跟 1 個(gè)或多個(gè)字符

• ??表示后面可跟 0 個(gè)或 1 個(gè)字符

  
  

• 非貪婪模式：

  
  

• *??表示后面可跟 0 個(gè)或多個(gè)字符，但只取第一個(gè)

• +??表示后面可跟 1 個(gè)或多個(gè)字符，但只取第一個(gè)

• ???表示后面可跟 0 個(gè)或 1 個(gè)字符，但只取第一個(gè)

貪婪模式和非貪婪模式的區(qū)別在下面講?? 的時(shí)候會(huì)介紹。

首先定義“字符 u 可以出現(xiàn) 0 次或多次”的模式，結(jié)果不需要解釋。

pat = r'colou*r'

print( look_for(pat, 'color') )print( look_for(pat, 'colour') )print( look_for(pat, 'colouuuuuur') )

['color']
['colour']
['colouuuuuur']

模式?colou*r?的可視圖如下。

注意?u 附近有三條通路

1. 上路跳過?u，代表零個(gè) u

2. 中路穿越?u，代表一個(gè) u

3. 下路循環(huán)?u，代表多個(gè) u
   

首先定義“字符 u 可以出現(xiàn) 1?次或多次”的模式，結(jié)果不需要解釋。

pat = r'colou+r'

print( look_for(pat, 'color') )print( look_for(pat, 'colour') )print( look_for(pat, 'colouuuuuur') )

沒有找到
['colour']
['colouuuuuur']

模式?colou+r?的可視圖如下。

注意?u 附近有兩條通路

1. 中路穿越?u，代表一個(gè)?u

2. 下路循環(huán)?u，代表多個(gè)?u

首先定義“字符 u 可以出現(xiàn) 0 次或 1 次”的模式，結(jié)果不需要解釋。

pat = r'colou?r'

print( look_for(pat, 'color') )print( look_for(pat, 'colour') )print( look_for(pat, 'colouuuuuur') )

['color']
['colour']
沒有找到

模式?colou+r?的可視圖如下。

注意?u 附近有兩條通路

1. 上路跳過?u，代表零個(gè)?u

2. 中路穿越?u，代表一個(gè)?u

有的時(shí)候一個(gè)句子里會(huì)有重復(fù)的字符，假如是 > 字符，如果我們要匹配這個(gè)>，到底在哪一個(gè) > 就停止了呢？

這個(gè)就是貪心（greedy）模式和非貪心（non-greedy）模式的區(qū)別，讓我們來看個(gè)例子。

heading  = r'
TITLE
'

如果模式是 <.+>，那么我們要獲取的就是以 < 開頭，以 > 結(jié)尾，中間有 1 個(gè)或多個(gè)字符的字符串。這里我們先提前介紹 . 字符，它是一個(gè)通配符，可以代表任何除新行 (\n) 的字符。

pat = r'<.+>'print( look_for(pat, heading) )

['<h1>TITLEh1>']

結(jié)果如上，獲取的字符串確實(shí)以 < 開頭，以 > 結(jié)尾，但是仔細(xì)看下，其實(shí)在? heading[3] 出也是 >，為什么沒有匹配到它而是匹配到最后一個(gè) > 呢？

原因就是上面用了貪婪模式，即在整個(gè)表達(dá)式匹配成功的前提下，盡可能多的匹配。那么其對(duì)立的非貪婪模式，就是在整個(gè)表達(dá)式匹配成功的前提下，盡可能少的匹配。

實(shí)現(xiàn)非貪婪模式只需在最后加一個(gè) ? 字符，代碼如下：

pat =  r'<.+?>'print( look_for(pat, heading) )

['
', '
']

結(jié)果無(wú)需解釋。

有意思的是，模式?<.+> 和?<.+?> 的可視化圖長(zhǎng)得一樣，如下。這樣我們就無(wú)法從圖上分辨是否使用貪婪或非貪婪的模式了，只能從代碼中識(shí)別了。

有的時(shí)候我們非常明確要匹配的字符出現(xiàn)幾次，比如

• 中國(guó)的手機(jī)號(hào)位數(shù)是 13 位，n = 13

• 密碼需要 8 位以上，n?≥ 8

• 公眾號(hào)文章標(biāo)題長(zhǎng)度不能超過 64，n?≤ 64

• 用戶名需要在 8 到 16 位之間，8 ≤ n?≤ 16

這時(shí)我們可以設(shè)定具體的上界或（和）下界，使得代碼更加有效也更好讀懂，規(guī)則如下：

• {n} 左邊的字符串是否出現(xiàn) n 次

• {n, } 左邊的字符串是否出現(xiàn)大于等于 n 次

• {, n} 左邊的字符串是否出現(xiàn)小于等于 n 次

• {n, m} 左邊的字符串是否出現(xiàn)在 n 次和 m 次之間

用規(guī)則來看例子，很容易看懂。

s = 'a11bbb2222ccccc'

print( look_for(r'[a-z]{1}', s) )print( look_for(r'[0-9]{2,}', s) )print( look_for(r'[a-z]{,5}', s) )print( look_for(r'[0-9]{2,4}', s) )

['a', 'b', 'b', 'b', 'c', 'c', 'c', 'c', 'c']
['11', '2222']
['a', '', '', 'bbb', '', '', '', '', 'ccccc', '']
['11', '2222']

需要解釋的是例三，匹配五個(gè)以下的 a 到 z 小寫字母，當(dāng)然也包括零個(gè)，因此結(jié)果包含那些空字符。

模式 {n}, { ,n}, {n, } 和 {n, m} 的可視圖如下：

上面都是貪婪模式，當(dāng)然也有其對(duì)應(yīng)的非貪婪模式，但只有?{n, m}??有意義，原因自己想。上面的模式對(duì)于前一個(gè)字符重復(fù) m 到 n 次，并且取盡可能少的情況。比如在字符串'sssss'中，s{2,4} 會(huì)匹配 4 個(gè) s，但 s{2,4}? 只匹配 2 個(gè) s。

字符集合問題解決了，字符次數(shù)問題解決了，如果現(xiàn)在面臨的問題著是匹配 A 或 B 其中一個(gè)呢？用垂線 | 字符，A|B，如果 A 匹配了，則不再查找 B，反之亦然。

首先定義“句子出現(xiàn) like 或 love 一詞”的模式。

pat = r'like|love'

print( look_for(pat, 'like you') )print( look_for(pat, 'love you') )

['like']
['love']

模式?like|love?的可視圖如下，其并列模式體現(xiàn)在黑點(diǎn)到白點(diǎn)的并行通路上。

如果你想把匹配的內(nèi)容提取出來，用小括號(hào)，而在小括號(hào)里面你可以設(shè)計(jì)任意正則表達(dá)式。

首先定義“beat 的第三人稱，過去式，過去分詞和現(xiàn)在進(jìn)行式”的模式，為了獲取 beat 加正確后綴的所有單詞。

pat = r'beat(s|ed|en|ing)'

print( look_for(pat, 'beats') )print( look_for(pat, 'beated') )print( look_for(pat, 'beaten') )print( look_for(pat, 'beating') )

['s']
['ed']
['en']
['ing']

我們將出現(xiàn)在 () 里面的后綴都獲取出來了，其可視圖如下，我們發(fā)現(xiàn)“Group 1”代表?() 起的作用。?

但其實(shí)這不是我們想要的，我們想把帶著后綴的 beat 給獲取出來。那么只有在最外面再加一層 ()，模式如下。

pat = r'(beat(s|ed|en|ing))'

print( look_for(pat, 'beats') )print( look_for(pat, 'beated') )print( look_for(pat, 'beaten') )print( look_for(pat, 'beating') )

[('beats', 's')]
[('beated', 'ed')]
[('beaten', 'en')]
[('beating', 'ing')]

其可視圖如下，我們發(fā)現(xiàn) Group 2 嵌套在 Group 1 里面。

現(xiàn)在帶著后綴的 beat?已經(jīng)獲取出來了，上面列表中每個(gè)元組的第一個(gè)元素，但完美主義者不想要后綴（即元組的第二個(gè)元素），可以用下面的騷模式。

在 () 中最前面加入 ?:。(?:)?代表只匹配不獲取（non-capturing），結(jié)果看上去非常自然。

pat = r'(beat(?:s|ed|en|ing))'

print( look_for(pat, 'beats') )print( look_for(pat, 'beated') )print( look_for(pat, 'beaten') )print( look_for(pat, 'beating') )

['beats']
['beated']
['beaten']
['beating']

其可視圖如下，我們發(fā)現(xiàn)只有一個(gè) Group 1，那個(gè)內(nèi)括號(hào)，代表不被獲取的內(nèi)容，沒有體現(xiàn)在下圖中。

字符集合問題解決了，字符次數(shù)問題解決了，字符并列問題解決了，字符獲取問題解決了，看上去我們能做很多事了。別急，RE 給你最后一擊，轉(zhuǎn)義字符，讓模式更加強(qiáng)大。

轉(zhuǎn)義字符，顧名思義，就是能轉(zhuǎn)換自身含義的字符。

點(diǎn) . 不再是點(diǎn)，美元 $ 不再是美元，等等等等。。。

點(diǎn) . 表示除新行（newline）的任意字符，它是個(gè)通配符。用它最無(wú)腦簡(jiǎn)便，但是代碼也最難讀懂，效率也最低下。

定義“含有 1 個(gè)或多個(gè)非新行字符”的模式。

pat = r'.+'

print( look_for(pat, 'a') )print( look_for(pat, 'b1') )print( look_for(pat, 'C@9') )print( look_for(pat, '$ 9_fZ') )print( look_for(pat, '9z_\t\r\n') )

['a']
['b1']
['C@9']
['$ 9_fZ']
['9z_\t\r']

除了最后例子中的 \n 沒有匹配到，其他的字符全部匹配出來。

托字符?^?表示字符串開頭。

定義“以 s?開頭字符串”的模式。

pat = r'^s[\w]*'

print( look_for(pat, 'son') )print( look_for(pat, 'shot') )print( look_for(pat, 'come') )

['son']
['shot']
沒有找到

結(jié)果太明顯，不解釋。

美元符 $?表示字符串結(jié)尾。

定義“以 s?結(jié)尾字符串”的模式。

pat = r'[\w]*s$'

print( look_for(pat, 'yes') )print( look_for(pat, 'mess') )print( look_for(pat, 'come') )

['yes']
['mess']
沒有找到

結(jié)果太明顯，不解釋。

更厲害的是，反斜杠?\?可對(duì)特殊字符進(jìn)行轉(zhuǎn)義，也可對(duì)普通字符轉(zhuǎn)義。

• 將特殊字符轉(zhuǎn)成自身含義：用 \ 作用在 ^ . \ 等身上，代表乘方 \^、小數(shù)點(diǎn) \.?和除號(hào) \\

• 將自身字符轉(zhuǎn)成特殊含義：用 \ 作用在 w d n 等身上，代表字母 \w、數(shù)字 \d 和新行 \n

在反斜杠的限制下，$ 終于代表美元了！

pat = r'\$[0-9.]+'

print( look_for(pat, 'it costs $99.99') )

['$99.99']

在反斜杠的限制下，?^ . \??終于代表乘方、小數(shù)點(diǎn)和除號(hào)了！

pat = r'(\\|\/|\^|\.)'

print( look_for(pat, '(5/2)^2=6.25') )

['/', '^', '.']

沒有了反斜杠的限制，一切亂了套，點(diǎn) . 就是通配符，可以匹配字符串里所有字符。

pat = r'(\|/|^|.)'

print( look_for(pat, '(5/2)^2=6.25') )

['', '(', '5', '/', '2', ')', '^', '2', '=', '6', '.', '2', '5']

但如果在中括號(hào) [] 集合里，每個(gè)字符就是它本身的意義，點(diǎn)就是點(diǎn)，而不是通配符。

pat = r'[/^\.]'

print( look_for(pat, '(5/2)^2=6.25') )

['/', '^', '.']

規(guī)則總結(jié)如下（大寫和小寫互補(bǔ)，兩者加一起是全集）：

• \b：匹配空字符串，但僅適用于單詞的“首尾”

• \B：匹配空字符串，但僅適用于單詞的“非首尾”

• \d：匹配任何“數(shù)字”字符，等價(jià)于 [0-9]

• \D：匹配任何“非數(shù)字”字符，等價(jià)于 [^0-9]

• \s：匹配任何“空白”字符，等價(jià)于 [\t\n\r]

• \S：匹配任何“非空白”字符，等價(jià)于 [^\t\n\r]

• \w：匹配任何“字母數(shù)字下劃線”字符，等價(jià)于 [a-zA-Z0-9_]

• \W：匹配任何“非字母數(shù)字下劃線”字符，等價(jià)于 [^a-zA-Z0-9_]

• \A：匹配句子的“開頭”字符，等價(jià)于 ^

• \Z：匹配句子的“結(jié)尾”字符，等價(jià)于 $

• \t：匹配句子的“制表鍵 (tab)”字符

• \r：匹配句子的“回車鍵 (return)”字符

• \n：匹配句子的“換行鍵 (newline)”字符

\b?\B

pat = r'\blearn\b'
print( look_for(pat, 'learn Python') )print( look_for(pat, 'relearn Python') )print( look_for(pat, 'learning Python') )print( look_for(pat, 'relearning Python') )

['learn']
沒有找到
沒有找到
沒有找到

\b 只能抓住 learn 前后的首尾空字符，那么只能匹配不帶前綴和后綴的 learn，? 即 learn 本身。

pat = r'\Blearn\B'
print( look_for(pat, 'learn Python') )print( look_for(pat, 'relearn Python') )print( look_for(pat, 'learning Python') )print( look_for(pat, 'relearning Python') )

沒有找到
沒有找到
沒有找到
['learn']

\B?只能抓住 learn 前后的非首尾空字符，那么只能匹配帶前綴和后綴的 learn，即 relearning。

pat = r'\blearn\B'
print( look_for(pat, 'learn Python') )print( look_for(pat, 'relearn Python') )print( look_for(pat, 'learning Python') )print( look_for(pat, 'relearning Python') )

沒有找到
沒有找到
['learn']
沒有找到

learn 前 \b 后 \B，只能匹配帶后綴的 learn，即 learning。

pat = r'\Blearn\b'
print( look_for(pat, 'learn Python') )print( look_for(pat, 'relearn Python') )print( look_for(pat, 'learning Python') )print( look_for(pat, 'relearning Python') )

沒有找到
['learn']
沒有找到
沒有找到

learn?前?\B?后?\b，只能匹配帶前綴的 learn，即 relearn。

\d?\D

pat = r'\d+'
print( look_for(pat, '12+ab34-cd56*ef78/gh90%ij') )

['12', '34', '56', '78', '90']

匹配數(shù)字，不解釋。

pat = r'\D+'
print( look_for(pat, '12+ab34-cd56*ef78/gh90%ij') )

['+ab', '-cd', '*ef', '/gh', '%ij']

匹配非數(shù)字，不解釋。

\s?\S

pat = r'\s+'s = '''please  don'tleave  me    alone'''print( look_for(pat, s) )

[' ', '\n', ' ', '\n ']

匹配各種空格比如制表、回車或新行，不解釋。

pat = r'\S+'print( look_for(pat, s) )

['please', "don't", 'leave', 'me', 'alone']

匹配各種非空格，不解釋。

\w \W

pat = r'\w+'
print( look_for(pat, '12+ab_34-cd56_ef78') )

['12', 'ab_34', 'cd56_ef78']

匹配字母數(shù)字下劃線，不解釋。

pat = r'\W+'
print( look_for(pat, '12+ab_34-cd56_ef78') )

['+', '-']

匹配非字母數(shù)字下劃線，不解釋。

\A \Z

pat1 = r'^y[\w]*'pat2 = r'\Ay[\w]*'str1 = 'you rock'str2 = 'rock you'
print( look_for(pat1, str1) )print( look_for(pat2, str1) )
print( look_for(pat1, str2) )print( look_for(pat2, str2) )

['you']
['you']
沒有找到
沒有找到

匹配開頭字符，\A 和 ^ 等價(jià)，不解釋。

pat1 = r'[\w]*k$'pat2 = r'[\w]*k\Z'str1 = 'you rock'str2 = 'rock you'
print( look_for(pat1, str1) )print( look_for(pat2, str1) )
print( look_for(pat1, str2) )print( look_for(pat2, str2) )

['rock']
['rock']
沒有找到
沒有找到

匹配結(jié)尾字符，\Z?和?$?等價(jià)，不解釋。

了解完上節(jié)介紹的元字符的基本知識(shí)，本節(jié)的函數(shù)運(yùn)用就很簡(jiǎn)單了。RE 包里常見的函數(shù)總結(jié)如下：

• match(pat, str)：檢查字符串的開頭是否符合某個(gè)模式

• search(pat, str)：檢查字符串中是否符合某個(gè)模式

• findall(pat, str)：返回所有符合某個(gè)模式的字符串，以列表形式輸出

• finditer(pat, str)：返回所有符合某個(gè)模式的字符串，以迭代器形式輸出

• split(pat, str)：以某個(gè)模式為分割點(diǎn)，拆分整個(gè)句子為一系列字符串，以列表形式輸出

• sub(pat, repl, str)：句子 str 中找到匹配正則表達(dá)式模式的所有子字符串，用另一個(gè)字符串 repl 進(jìn)行替換

• compile(pat)：將某個(gè)模式編譯成對(duì)象，供之后使用

match(pat, str)

判斷模式是否在字符串開頭位置匹配。如果匹配，返回對(duì)象，如果不匹配，返回 None。

s = 'Kobe Bryant'
print( re.match(r'Kobe', s) )print( re.match(r'Kobe', s).group() )print( re.match(r'Bryant', s) )

<re.Match?object; span=(0,?4), match='Kobe'>
Kobe
None

該函數(shù)返回的是個(gè)對(duì)象（包括匹配的子字符串和在句中的位置索引），如果只需要子字符串，需要用 group() 函數(shù)。

由于值匹配句頭，那么句中的 Bryant 無(wú)法被匹配到。

search(pat, str)

在字符串中查找匹配正則表達(dá)式模式的位置。如果匹配，返回對(duì)象，如果不匹配，返回 None。

s = 'Kobe Bryant'
print( re.search(r'Kobe', s) )print( re.search(r'Kobe', s).group() )print( re.search(r'Bryant', s) )print( re.search(r'Bryant', s).group() )

<re.Match?object; span=(0,?4), match='Kobe'>
Kobe
<re.Match?object; span=(5,?11), match='Bryant'>
Bryant

該函數(shù)返回的是個(gè)對(duì)象（包括匹配的子字符串和在句中的位置索引），如果只需要子字符串，需要用 group() 函數(shù)。

如果句子出現(xiàn)兩個(gè) Bryant 呢？

s = 'Kobe Bryant loves Gianna Bryant'
print( re.search(r'Bryant', s) )print( re.search(r'Bryant', s).group() )print( re.search(r'Bryant', s) )

<re.Match?object; span=(5,?11), match='Bryant'>
Bryant
<re.Match?object; span=(5,?11), match='Bryant'>

根據(jù)結(jié)果只匹配出第一個(gè)，我們需要下面的函數(shù)來匹配全部。

findall(pat, str)

在字符串中找到正則表達(dá)式所匹配的所有子串，并組成一個(gè)列表返回。

s = 'Kobe Bryant loves Gianna Bryant'
print( re.findall(r'Kobe', s) )print( re.findall(r'Bryant', s) )print( re.findall(r'Gigi', s) )

['Kobe']
['Bryant', 'Bryant']
[]

結(jié)果不解釋。

finditer(pat, str)

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，并組成一個(gè)迭代器返回。

s = 'Kobe Bryant loves Gianna Bryant'
print( [i for i in re.finditer(r'Kobe', s)] )print( [i for i in re.finditer(r'Bryant', s)] )print( [i for i in re.finditer(r'Gigi', s)] )

[0, 4), match='Kobe'>]
[5, 11), match='Bryant'>,
?25, 31), match='Bryant'>]
[]

如果需要匹配子串在原句中的位置索引，用 finditer，此外用 findall。

split(pat, str)

將字符串匹配正則表達(dá)式的部拆分開并返回一個(gè)列表。

s = 'Kobe Bryant loves Gianna Bryant'print( re.split(r'\s', s) )

['Kobe', 'Bryant', 'loves', 'Gianna', 'Bryant']

按空格拆分，不解釋。

sub(pat, repl, str)

句子 str 中找到匹配正則表達(dá)式模式的所有子字符串，用另一個(gè)字符串 repl 進(jìn)行替換。如果沒有找到匹配模式的串，則返回未被修改的句子 str，其中 repl 既可以是字符串也可以是一個(gè)函數(shù)。

s = 'Kobe Bryant loves Gianna Bryant'print( re.sub(r'\s', '-', s) )

Kobe-Bryant-loves-Gianna-Bryant

用 - 代替空格。

print( re.sub(r'Gianna', 'Gigi', s) )

Kobe?Bryant loves Gigi Bryant

用?Gigi?代替 Gianna。

print( re.sub(r'\d+', '_', s) )

Kobe?Bryant loves Gianna Bryant

用?_?代替數(shù)字（一個(gè)或多個(gè)），但句中沒有數(shù)字，因此沒用替代動(dòng)作。

print( re.sub(r'\d*', '_', s)

_K_o_b_e_?_B_r_y_a_n_t_ _l_o_v_e_s_ _G_i_a_n_n_a_ _B_r_y_a_n_t_

用?_?代替數(shù)字（零個(gè)或多個(gè)），雖然句中沒有數(shù)字，但是零個(gè)數(shù)字就是空字符，因此 _ 替代所有空字符。好玩吧 :)

compile(pat)

把正則表達(dá)式的模式轉(zhuǎn)化成正則表達(dá)式對(duì)象，供其他函數(shù)如match?和 search?使用。對(duì)象創(chuàng)建出來可以循環(huán)使用，如果某種模式要重復(fù)使用話，用“先 compile 再 findall”的方式更加高效。

用處理電郵地址來舉例。

email = '''Shengyuan Personal: [email protected]Shengyuan Work: [email protected]Shengyuan School: [email protected]Obama: [email protected]'''print(email)

Shengyuan Personal:?quantsteven@gmail.com
Shengyuan Work: shengyuan@octagon-advisors.com
Shengyuan School:[email protected]
Obama:[email protected]

創(chuàng)建電郵的模式 r'[\w.-]+@[\w.-]+'，用 compile 先創(chuàng)建 RE 對(duì)象，供之后使用。

pat = r'[\w.-]+@[\w.-]+'obj = re.compile(pat)obj

re.compile(r'[\w.-]+@[\w.-]+', re.UNICODE)

在對(duì)象 obj 上分別使用?match,?search, findall, findieter?等方法，結(jié)果如下：

print( obj.match(email), '\n')print( obj.search(email), '\n' )print( obj.findall(email), '\n' )print( [i for i in obj.finditer(email)])

None

<re.Match?object; span=(20,?41), match='[email protected]'>?

['[email protected]',
?'[email protected]',
?'[email protected]',
?'[email protected]']

[<re.Match?object; span=(20,?41), match='[email protected]'>,
<re.Match?object; span=(58,?88), match='[email protected]'>,
<re.Match?object; span=(107,?126), match='[email protected]'>,
<re.Match?object; span=(134,?161), match='[email protected]'>]

在對(duì)象 obj 上還可使用?sub?方法，結(jié)果如下：

print( obj.sub('[email protected]', email), '\n' )

Shengyuan Personal: [email protected]
Shengyuan Work: [email protected]
Shengyuan School: [email protected]
Obama: [email protected]

在對(duì)象 obj?上還可使用?split?方法，即把 @ 前后的子串拆分出來，結(jié)果如下：

for addr in obj.findall(email):    print( re.split(r'@', addr))

['quantsteven', 'gmail.com']
['shengyuan', 'octagon-advisors.com']
['g0700508', 'nus.edu.sg']
['barack.obama', 'whitehouse.gov']

我們還可以再創(chuàng)建個(gè) RE 對(duì)象 obj1，專門用來做拆分。

obj1 = re.compile(r'@')for addr in obj.findall(email):    print( obj1.split(addr))

['quantsteven', 'gmail.com']
['shengyuan', 'octagon-advisors.com']
['g0700508', 'nus.edu.sg']
['barack.obama', 'whitehouse.gov']

密碼通常有如下要求。

• 最少 8 個(gè)最多 16 個(gè)字符.

• 至少含有一個(gè)大寫字母，一個(gè)小寫字母，一個(gè)數(shù)字

• 至少含有一個(gè)特殊字符 @ $ ! % * ? & _，但不包括空格

根據(jù)上面要求創(chuàng)建模式，相信都可以讀懂了吧。

pat = r'^[0-9a-zA-Z@!$#%_-]{8,16}$'
print( look_for(pat, 'stevenwang') )print( look_for(pat, '19831031') )print( look_for(pat, 'steven1031') )print( look_for(pat, 'steven@1031') )print( look_for(pat, 'Steven@1031') )print( look_for(pat, 's1031') )print( look_for(pat, 's@1031') )print( look_for(pat, 'stevenwang19831031') )print( look_for(pat, 'stevenwang@19831031') )

['stevenwang']
['19831031']
['steven1031']
['steven@1031']
['Steven@1031']
沒有找到
沒有找到
沒有找到
沒有找到

結(jié)果好像不太對(duì)，因?yàn)槊艽a必須要含有數(shù)字，大小寫和特殊字符。

這時(shí)候需要用 (?=...) 這個(gè)騷操作，意思就是匹配 ’…’ 之前的字符串。在本例中 '...' 包括小寫 [a-z]，大寫 [A-Z]，數(shù)字 \d，特殊字符 [@$!%*?&_]，言下之義就是上面這些必須包含中密碼中。

pat = r'^(?=.*[a-z])         (?=.*[A-Z])         (?=.*\d)         (?=.*[$@$!%*?&_])         [A-Za-z\d$@$!%*?&_]{8,16}$'
print( look_for(pat, 'stevenwang') )print( look_for(pat, '19831031') )print( look_for(pat, 'steven1031') )print( look_for(pat, 'steven@1031') )print( look_for(pat, 'Steven@1031') )print( look_for(pat, 's1031') )print( look_for(pat, 's@1031') )print( look_for(pat, 'stevenwang19831031') )print( look_for(pat, 'stevenwang@19831031') )

沒有找到
沒有找到
沒有找到
沒有找到
['Steven@1031']
沒有找到
沒有找到
沒有找到
沒有找到

結(jié)果完全正確。

上面模式的可視圖如下：

首先定義郵箱地址的模式 '\S+@\S+'，還記得 \S 是非空格字符，基本代表了所需的字符要求。我們想從從 email.txt 文本中篩選出所有郵箱信息。

pat = r'\S+@\S+'obj = re.compile(pat)email_list = []hand = open('email.txt')for line in hand:    line = line.rstrip()    email_addr = obj.findall(line)    if len(email_addr) > 0:        email_list.append(email_addr[0])
list(set(email_list))

咋一看結(jié)果是對(duì)的，但細(xì)看（高亮處）有些郵箱地址包含了 <> 的符號(hào)，或者根本不是正常的郵箱地址，比如 apache@localhost。

這時(shí)候我們需要在模式中添加更多規(guī)則，如下。

• '[a-zA-Z\d]\S+?代表第一字符要是數(shù)字或字母

• \w+\.[a-z]{2,3} 代表 A.B?這樣的結(jié)構(gòu)，其中 A 由若干字母數(shù)字下劃線組成，而 B 由 2 或 3 個(gè)小寫字母組成（因?yàn)橥ǔ｀]箱最后就是 com, net, gov, edu 等等）。
  

pat = r'[a-zA-Z\d]\S+@\w+\.[a-z]{2,3}'

結(jié)果正常。

在下面摘要中獲取人物、買賣動(dòng)作、股票數(shù)量、股票代號(hào)、日期和股價(jià)這些關(guān)鍵信息。

news?=?\"""Jack Black sold 15,000 shares in AMZN on 2019-03-06 at a price of $1044.00.David V.Love bought 811 shares in TLSA on 2020-01-19 at a price of $868.75.Steven exercised 262 shares in AAPL on 2020-02-04 at a price of $301.00."""

給大家留個(gè)任務(wù)，讀懂下面代碼，看懂了本帖知識(shí)就掌握了。我相信能看到這里的都可以看懂。

pat = r'([a-zA-Z. ]*)' \        '\s(sold|bought|exercised)' \        '\s*([\d,]+)' \        '.*in\s([A-Z]{,5})' \        '.*(\d{4}-\d{2}-\d{2})' \        '.*price of\s(\$\d*.\d*)'
re.findall( pat, news )

[('Jack Black', 'sold', '15,000', 'AMZN', '2019-03-06', '$1044.00'),
?('David V.Love', 'bought', '811', 'TLSA', '2020-01-19', '$868.75'),
?('Steven', 'exercised', '262', 'AAPL', '2020-02-04', '$301.00')]

上面模式的可視圖如下：

累死了，這次真不想總結(jié)了。

記住元字符的用處：集合、次數(shù)、并列、獲取和轉(zhuǎn)義。

記住函數(shù)的用法：先 compile 成 RE 對(duì)象，在 findall 或 finditer，由你想查看的信息完整度決定。

下帖我會(huì)來個(gè)關(guān)于 RE 的實(shí)際案例分析，并記錄我在操作時(shí)遇到的問題和解決方案。

Stay Tuned！