当前位置：首页 > news >正文

《Python编程实训快速上手》第五天--模式匹配与正则表达式

news 2024/11/17 0:32:38

一、不用正则表达式查找文本模式

文本模式是一种人为规定的结构，现在有一个模式：3个数字-3个数字-4个数字

使用isPhoneNumber()函数来判断字符串是否匹配该模式

def isPhoneNumber(number):if len(number) != 12:return Falsefor i in range(0,3):if not number[i].isdecimal():return Falseif number[3] != "-":return Falsefor i in range(4,7):if not number[i].isdecimal():return Falseif number[7] != "-":return Falsefor i in range(8,12):if not number[i].isdecimal():return Falsereturn Trueprint(isPhoneNumber(""))
print(isPhoneNumber("112-564-7896"))
print(isPhoneNumber("112-7896-532"))

上述代码缺陷在于它仅能处理一种模式，新增一个模式后，就要增加新的代码

如果想在更长的字符串中寻找电话号码，就必须添加更多代码来寻找电话号码模式：

message = "Call me at 415-555-1011 tomorrow, 415-555-9865 is my office"
for i in range(len(message)):chunk = message[i:i+12]if isPhoneNumber(chunk):print("Phone number %s is found"%chunk)
print("done")

总结上述代码发现，如果在一个长度为百万的字符串中匹配模式，那么效率是十分低下的

二、使用正则表达式查找文本模式

1、创建正则表达式对象

1）正则表达式的函数均在re模块中，导入即可：import re

2）创建Regex模式对象：phoneNumRegex = re.compile(r"\d\d\d-\d\d\d-\d\d\d\d")

\d在正则表达式中表示一位数字字符，即0~9的数字

2、匹配Regex对象

整体代码如下：

import re
phoneNumRegex = re.compile(r"\d{3}-\d{3}-\d{4}")
mo = phoneNumRegex.search("My number is 123-456-7890")
print("My phone number is found: " + mo.group())

首先，对象使用search方法查找传入的字符串，寻找正则表达式的所有匹配。如果未找到正则表达式模式，则返回None。如果找到了，则返回一个Match对象，使用Match对象中的group()方法，返回查找字符串中实际匹配的文本

3、正则表达式过程匹配回顾

import re
re.compile()函数创建Regex对象
使用search()方法返回Match对象
使用group()方法返回实际匹配文本的字符串

三、用正则表达式匹配更多模式

1、利用()分组

现在想将\d\d\d-\d\d\d-\d\d\d\d分成两组即\d\d\d和\d\d\d-\d\d\d\d，做法是(\d\d\d)-(\d\d\d-\d\d\d\d)

上边提到使用group()方法进行匹配字符串返回，因此操作如下：

mo.group()---->"123-456-7890"

mo.group(0)---->"123-456-7890"

mo.group(1)---->"123"

mo.group(2)---->"456-7890"

mo.groups()---->("123","456-7890")

group中的数字表示第几个分组

前边使用compile()方法时曾使用r进行原始字符串的转换，从而消除\d中\的转义作用。

在正则表达式中，也存在一些特殊字符：. ^ $ * + ? { } [ ] \ | ( )

如果模式中刚好出现上述特殊字符，则需要用\进行转义操作，例如：r"($\d$)"

2、用管道匹配多个分组

字符 | 表示管道，r"a|b"表示匹配"a" 或"b"，即若先遇到a，则返回a；先遇到b，则返回b

batRegex = re.compile(r"Batman|computer")
mo = batRegex.search("Batman has a computer")
print(mo.group())
mo = batRegex.search("A computer was bought by Batman")
print(mo.group())

也可匹配多个模式中的一个，允许提取公共项方式，假设希望匹配Batman、Batmobile、Batcopter和Batbar中的任意一个，则代码如下

batRegex = re.compile(r"Bat(man|mobile|copter|bar)")
mo = batRegex.search("Batman is rich")
print(mo.group())
print(mo.group(1))

3、用?实现可选择匹配

字符？表明它前边的分组在这个模式中是可选的，即无论这段文本在不在，正则表达式都会认为匹配。利用前边电话例子，寻找包含区号或不包含区号的电话号码：

phoneNumRegex = re.compile(r"(\d{3}-)?\d{3}-\d{4}")
mo = phoneNumRegex.search("My number is 123-456-7890")
print("My phone number is found: " + mo.group())
mo = phoneNumRegex.search("My number is 456-7890")
print("My phone number is found: " + mo.group())

4、用*匹配0次或多次

*前的分组可以在文本中出现任意次（包括0次）

phoneNumRegex = re.compile(r"(\d{3}-)*\d{3}-\d{4}")
mo = phoneNumRegex.search("My number is 456-7890")
print("My phone number is found: " + mo.group())
mo = phoneNumRegex.search("My number is 123-456-7890")
print("My phone number is found: " + mo.group())
mo = phoneNumRegex.search("My number is 123-456-223-7890")
print("My phone number is found: " + mo.group())

5、用+匹配1次或多次

+前的分组必须“至少出现1次”

phoneNumRegex = re.compile(r"(\d{3}-)+\d{3}-\d{4}")
mo = phoneNumRegex.search("My number is 456-7890")
if mo is None:print("My phone number is not found")
mo = phoneNumRegex.search("My number is 123-456-7890")
print("My phone number is found: " + mo.group())
mo = phoneNumRegex.search("My number is 123-456-223-7890")
print("My phone number is found: " + mo.group())

6、用{}匹配特定次数

\d{3}表示让\d重复3次，即\d\d\d

1）指定循环次数：将一个分组重复特定次数，就在该分组后跟上{数字}

2）指定范围：

(ha){1,3}将匹配"ha"、"haha"、"hahaha"

(ha){1,}表示不限定最大值

(ha){,5}表示匹配0~5次

四、贪心和非贪心匹配

Python的正则表达式默认是“贪心的”，在有二义性的情况下，会尽可能匹配最长的字符串，例如(ha){1,3}去查找"hahaha"时只会返回"hahaha"。

{}？表示“非贪心”版本，即会尽可能匹配最短的字符串

greedyRegex = re.compile(r"(Ha){3,5}")
mo1 = greedyRegex.search("HaHaHaHaHa")
print(mo1.group())unGreedyRegex = re.compile(r"(Ha){3,5}?")
mo2 = unGreedyRegex.search("HaHaHaHaHa")
print(mo2.group())

五、findall()方法

search()方法只返回一个match对象，包含被查找字符串中的“第一次”匹配的文本

findall()方法将返回一组字符串列表，包含被查找字符串中的“所有”匹配的文本

findall()方法返回结果总结：

没有分组，将返回一个匹配字符串的列表
有分组，返回一个字符串的元组的列表，每个分组对应一个字符串

1）没有分组：

phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')
print(phoneNumRegex.findall("Cell: 415-856-7854 work:235-000-7459"))

2）有分组

phoneNumRegex = re.compile(r'(\d\d\d)-(\d\d\d)-(\d\d\d\d)')
print(phoneNumRegex.findall("Cell: 415-856-7854 work:235-000-7459"))

六、字符分类

常见字符分类缩写代码
\d	0~9的任意数字
\D	除0~9数字外的任何字符
\w	任何字母、数字或下划线字符（匹配“单词”字符）
\W	除字母、数字和下划线以外的任何字符
\s	空格、制表符或换行符（匹配“空白”字符）
\S	除空格、制表符或换行符外的任何字符

\d+\s\w+表示匹配的文本有一个或多个数字（ \d+），然后是一个空白字符（\s），接下来是一个或多个字母/数字/下划线字符（\w+）

七、建立自己的字符分类

使用[]定义自己的字符分类，在[]内普通的正则表达式符号不会被解释，因此无需加\进行转义

在做方括号后加上一个^字符，即可得到“非字符类”，即不在这个字符类中的所有字符

phoneNumRegex = re.compile(r'[aeiouAEIOU]')
print(phoneNumRegex.findall("Bittersweet as life is, It's still wonderful, and It's fascinating even in tragedy"))
phoneNumRegex = re.compile(r'[^aeiouAEIOU]')
print(phoneNumRegex.findall("Bittersweet as life is, It's still wonderful, and It's fascinating even in tragedy"))

可使用-表示字母或数字范围：[a-zA-z0-9]将匹配所有大小写字母和数字

八、插入字符和美元符号

在正则表达式开始处使用^符号，表示匹配必须发生在被查找文本开始处

在正则表达式末尾使用$符号，表示该字符串必须以这个正则表达式的模式结束

同时使用^和$符号，表示整个字符串必须匹配该模式

如果字符串违背上述规定，则查找结果返回None

九、通配字符

.表示通配字符，可以匹配除换行符以外的所有字符，一个.只能匹配一个字符

1、用.*匹配所有字符

默认为贪心模式，如果想使用非贪心模式，则用.*?

nameRegex = re.compile(r"<.*?>")
mo = nameRegex.search("<to serve man> for dinner>")
print(mo.group())nameRegex2 = re.compile(r"<.*>")
mo = nameRegex2.search("<to serve man> for dinner>")
print(mo.group())

2、句点字符匹配换行符

向re.compile()中传入re.DOTALL参数，即可让.匹配所有字符

如果没有re.DOTALL参数，.将匹配所有字符直到第一个\n出现
如果有该参数，将匹配所有字符

nameRegex = re.compile(r".*")
mo = nameRegex.search("serve the public trust. \nProtect the innocent. \nUphold the law")
print(mo.group())print("----------------------")nameRegex2 = re.compile(r".*",re.DOTALL)
mo = nameRegex2.search("serve the public trust. \nProtect the innocent. \nUphold the law")
print(mo.group())

十、正则表达式符号匹配回顾

？	匹配0次或1次前边的分组
*	匹配0次或多次前边的分组
+	匹配1次或多次前边的分组
{n}	匹配n次前边的分组
{n,}	匹配n次或更多次前边的分组
{,m}	匹配0次到m次前边的分组
{n,m}	匹配至少n次，至多m次前边的分组
{n,m}？ *？ +？	对前边的分组进行非贪心匹配
^spam	字符换必须以spam开始
spam$	字符串必须以spam结束
.	匹配所有字符，换行符除外
\d,\w,\s	分别匹配数字，单词和空格
\D,\W,\S	分别匹配数字、单词和空格外的所有字符
[abc]	匹配方括号内的任意字符
[^abc]	匹配不在方括号内的任意字符

十一、不区分大小写匹配

向re.compile()中传入re.IGNORECASE或re.I

十二、用sub()方法替换字符串

sub()方法实现找到文本模式后，用新的文本替换掉这些模式

sub(参数1，参数2)

参数1：一个字符串，用于替换发现的匹配
参数2：一个字符串，即正则表达式

sub返回替换完成的字符串

namesRegex = re.compile(r"Agent \w+")
print(namesRegex.sub("censored","Agent Alice gave the secret documents to Agent Bob"))

当使用匹配的文本本身作为替换的一部分时，在第一个参数中输入\1，\2，\3表示“在替换中输入分组1，2，3的文本

namesRegex = re.compile(r"Agent (\w)\w*")
print(namesRegex.sub(r"\1***","Agent Alice gave the secret documents to Agent Bob"))

理解：使用\1***替换匹配到的文本内容，\1表示显示分组1内容

十三、管理复杂的正则表达式

如果正则表达式太长，想要分行写，则向compile中的第二个参数传入re.VERBOSE，表示忽视正则表达式字符串中的空白符和注释

phoneRegex = re.compile(r"""((\d{3} | \(\d{3}\))?          #area code(\s|-|\.)?                    #separator\d{3}                         #first 3 digits(\s|-|\.)                     #separator\d{4}                         #last 4 digits(\s*(ext|x|ext.)\s*\d{2,5})?  #extension)""",re.VERBOSE)