访问量： 6880

1. 正则表达式是什么？

正则表达式是一种用于匹配字符串的语言。它由一系列字符和特殊符号组成，用来描述搜索模式。在Python中，re模块提供了支持正则表达式的功能。

2. 安装与导入

首先，确保你的Python环境中已经安装了re模块。这是Python的标准库之一，所以通常不需要额外安装。

import re

3. 字符匹配

  • 单个字符：使用方括号[]表示一组字符中的任意一个。
# 匹配任何字母
pattern = "[a-zA-Z]"
string = "Hello World!"
match = re.search(pattern, string)
print(match.group())  # 输出: H
  • 多个字符：使用*表示零次或多次出现。
# 匹配任意数量的空格
pattern = "\s*"
string = "    Hello World!"
match = re.match(pattern, string)
print(match.group())  # 输出: '    '

4. 范围匹配

  • 使用-定义一个范围内的字符。
# 匹配小写字母a到e
pattern = "[a-e]"
string = "abcdeABCDE"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['a', 'b', 'c', 'd', 'e']

5. 排除字符

  • 使用^排除某些字符。
# 匹配除了a到z之外的所有字符
pattern = "[^a-z]"
string = "123ABCdef"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['1', '2', '3', 'A', 'B', 'C']

6. 字符集组合

  • 可以将多个字符集组合起来使用。
# 匹配数字或大写字母
pattern = "[0-9A-Z]+"
string = "Hello123World"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['123']

7. 位置锚定

  • ^表示行首，$表示行尾。
# 匹配以大写字母开头的单词
pattern = "^[A-Z][a-zA-Z]*"
string = "Hello world"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['Hello']

8. 分组与引用

  • 使用圆括号()来创建一个捕获组。
# 捕获日期格式
pattern = "(\d{4})-(\d{2})-(\d{2})"
string = "Today is 2023-04-01."
match = re.match(pattern, "2023-04-01")
if match:
    year = match.group(1)
    month = match.group(2)
    day = match.group(3)
    print(f"Year: {year}, Month: {month}, Day: {day}")

9. 非捕获组

  • 如果不关心某部分的内容，可以使用(?:)。
# 不捕获中间的冒号
pattern = r"(\d{2}):(?:\d{2}):\d{2}"
string = "09:30:15"
match = re.match(pattern, string)
if match:
    hour = match.group(1)
    print(hour)  # 输出: 09

10. 替换文本

  • 使用re.sub()方法替换字符串中的匹配项。
# 将所有空格替换成下划线
pattern = "\s+"
string = "Hello   World"
new_string = re.sub(pattern, "_", string)
print(new_string)  # 输出: Hello_World

11. 贪婪与非贪婪匹配

  • 贪婪匹配：默认情况下，正则表达式会尽可能多地匹配字符。
  • 非贪婪匹配：使用?使匹配变得“懒惰”，即尽可能少地匹配字符。
# 贪婪匹配
pattern = "<.*>"
string = "<p>Hello <span>World</span></p>"
match = re.search(pattern, string)
print(match.group())  # 输出: <p>Hello <span>World</span></p>

# 非贪婪匹配
pattern = "<.*?>"
string = "<p>Hello <span>World</span></p>"
match = re.search(pattern, string)
print(match.group())  # 输出: <p>

12. 条件分支

  • 使用(?P<name>)命名捕获组，并通过(?P=name)引用它们。
# 匹配重复的单词
pattern = r"\b(\w+)\b\s+\1\b"
string = "hello hello world"
match = re.sub(pattern, r"\1", string, flags=re.IGNORECASE)
print(match)  # 输出: hello world

13. 重复限定符

  • 使用{n}指定精确重复次数。
  • 使用{n,}指定至少重复n次。
  • 使用{n,m}指定重复n到m次。
# 匹配恰好重复三次的字符
pattern = r"a{3}"
string = "aaabbbccc"
matches = re.findall(pattern, string)
print(matches)  # 输出: []

# 匹配至少重复两次的字符
pattern = r"a{2,}"
string = "aaabbbccc"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['aaa']

# 匹配重复两到四次的字符
pattern = r"a{2,4}"
string = "aaabbbccc"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['aaa']

14. 特殊字符

  • 点号 .：匹配除换行符之外的任何字符。
  • 反斜杠 \：转义特殊字符。
# 匹配包含任何字符的单词
pattern = r"\w+"
string = "hello\nworld"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['hello']

# 匹配特殊字符
pattern = r"\."
string = "hello.world"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['.']

15. 边界限定符

  • 单词边界 \b：匹配单词的开始和结束。
  • 非单词边界 \B：匹配非单词的位置。
# 匹配单词边界
pattern = r"\bhello\b"
string = "hello world"
matches = re.findall(pattern, string)
print(matches)  # 输出: ['hello']

# 匹配非单词边界
pattern = r"\Bworld\B"
string = "hello world"
matches = re.findall(pattern, string)
print(matches)  # 输出: []

16. 标志位

  • 忽略大小写 re.IGNORECASE：使匹配不区分大小写。
  • 多行模式 re.MULTILINE：使^和$分别匹配每一行的开始和结束。
  • 点号匹配换行符 re.DOTALL：使.匹配包括换行符在内的任何字符。
# 忽略大小写
pattern = r"hello"
string = "Hello world"
matches = re.findall(pattern, string, re.IGNORECASE)
print(matches)  # 输出: ['Hello']

# 多行模式
pattern = r"^hello"
string = "hello\nworld"
matches = re.findall(pattern, string, re.MULTILINE)
print(matches)  # 输出: ['hello']

# 点号匹配换行符
pattern = r"hello.*world"
string = "hello\nworld"
matches = re.findall(pattern, string, re.DOTALL)
print(matches)  # 输出: ['hello\nworld']

实战案例分析

假设我们需要从一段文本中提取所有的邮箱地址。这可以通过正则表达式轻松实现。邮箱地址的一般形式为 username@domain.com。下面是一个简单的示例：

# 提取邮箱地址
pattern = r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}"
string = """
John Doe <johndoe@example.com>
Jane Smith <janesmith@company.org>
"""

matches = re.findall(pattern, string)
print(matches)  # 输出: ['johndoe@example.com', 'janesmith@company.org']