搜索

动手学正则表达式(含Python代码实践)

NLP情报局

共 12345字，需浏览 25分钟

 ·

2021-03-13 14:45

「背景前情提要」

学好偏导竟能追到心仪的妹子

💘背景

“什么？你快得手了！恭喜恭喜！”

“还在暧昧期了啦，嘿嘿”

“那你今天为啥又找我？（躲避脸）”

“没事，没事，真的！大佬先坐一坐。”

“感觉不对呀！（准备起身离开这险恶的环境了）”

“就是有个问题了，你不会眼看着我在近在咫尺的成功面前败下来吧？”

“真是城会玩！行吧，你说咯。(嫌弃脸)”

“你说我准备饭后给她点个🍮，合理吧，于是我就问她的地址，这合理吧”

“你想说什么？！”

“到了到了，哈哈，点外卖总得知道电话，这很合理吧，不过她给我发了一堆文字（见上图），说从里面找出她的电话☎️，你想我这个学渣，怎么看得懂？大佬救命，完事后，海底捞来一顿！”

“看在你这么有诚意的份上，行吧，下不为例！（感觉是不太可能了）”

正则表达式

「本文将从简单到容易，通过🌰解释常用的正则表达式的用法。全文分为以下几部分：」

  1. python库函数
  2. 匹配单个字符
  3. 匹配多个字符
  4. 元字符
  5. 重复字符串匹配
  6. 位置匹配
  7. 使用子表达式
  8. 使用回溯
  9. 前后查找
  10. 嵌入条件

0. python库函数

常用的正则表达式包是re，其中使用最多的几个函数为：

re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

re.search 扫描整个字符串并返回第一个成功的匹配。

re.findall 在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。

本文将使用其中的函数，简单封装成一个便于输出的接口调用

import re#python常用的正则表达式包
def get_res(regex,text):
    res=re.findall(regex,text)
    print('findall res:',res)
    res=re.search(regex,text)
    print('search res:',res)

1.匹配单个字符

example 1: 单个字符

text="Hello, my name is Van. Please visit my website at https://www.zhihu.com/people/le-yifan-35."
get_res(r'Van',text)
findall res: ['Van']
search res: <re.Match object; span=(18, 21), match='Van'>

example 2:匹配任何字符

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls"
get_res(r'sales.',text)
findall res: ['sales1', 'sales2', 'sales3']
search res: <re.Match object; span=(0, 6), match='sales1'>

2. 匹配多个字符

example 1:匹配多个字符

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls\
na1.xls\
na2.xls\
sa1.xls\
ca1.xls"
get_res(r'[ns]a.\.xls',text)
findall res: ['na1.xls', 'na2.xls', 'sa1.xls']
search res: <re.Match object; span=(61, 68), match='na1.xls'>

example 2：匹配多个字符

text="The phrase “regular expression” is often abbreviated as RegEx or regex."
get_res(r'[Rr]eg[Ee]x',text)
findall res: ['RegEx', 'regex']
search res: <re.Match object; span=(56, 61), match='RegEx'>

example 3：设定字符的范围

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls\
na1.xls\
na2.xls\
sa1.xls\
ca1.xls"

get_res(r'[ns]a[0123456789]\.xls',text)

get_res(r'[ns]a[0-9]\.xls',text)
findall res: ['na1.xls', 'na2.xls', 'sa1.xls']
search res: <re.Match object; span=(61, 68), match='na1.xls'>
findall res: ['na1.xls', 'na2.xls', 'sa1.xls']
search res: <re.Match object; span=(61, 68), match='na1.xls'>

example 4：设定字符的范围

text="<BODY BGCOLOR=”#336633” TEXT=”#FFFFFF” MARGINWIDTH=”0” MARGINHEIGHT=”0” TOPMARGIN=”0” LEFTMARGIN=”0”>"

get_res(r'[0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f]',text)

findall res: ['336633', 'FFFFFF']
search res: <re.Match object; span=(16, 22), match='336633'>

example 5:取非匹配

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls\
sam.xls\
na1.xls\
na2.xls\
sa1.xls\
ca1.xls"

get_res(r'[ns]a[^0-9]\.xls',text)


findall res: ['sam.xls']
search res: <re.Match object; span=(61, 68), match='sam.xls'>

3. 元字符

元字符指的是这个字符有特殊的含义，而不是字符本身的含义

example 1:元字符'[]'

text="var myArray = new Array();\
...\
if (myArray[0] == 0) {\
...\
}"
get_res(r'myArray[0]',text)

get_res(r'myArray\[0\]',text)
findall res: []
search res: None
findall res: ['myArray[0]']
search res: <re.Match object; span=(33, 43), match='myArray[0]'>

example 2:元字符'\'

text="\ home\  ben\ sales\ "
get_res(r'\\',text)
findall res: ['\\', '\\', '\\', '\\']
search res: <re.Match object; span=(0, 1), match='\\'>

example 3:空白字符

text="“101”,”Ben”,”Forta”\
“102”,”Jim”,”James”\r\n\
\r\n\
“103”,”Roberta”,”Robertson”\
“104”,”Bob”,”Bobson”"
get_res(r'\r\n\r\n',text)
findall res: ['\r\n\r\n']
search res: <re.Match object; span=(38, 42), match='\r\n\r\n'>

example 4:数字元字符

text="var myArray = new Array();\
...\
if (myArray[0] == 0) {\
...\
}"
get_res(r'myArray\[\d\]',text)

findall res: ['myArray[0]']
search res: <re.Match object; span=(33, 43), match='myArray[0]'>

example 5:字母数字元字符

text='11213 \
A1C2E3 \
48075 \
48237 \
M1B4F2 \
90046 \
H1H2H2'
get_res(r'\w\d\w\d\w\d',text)
findall res: ['A1C2E3', 'M1B4F2', 'H1H2H2']
search res: <re.Match object; span=(6, 12), match='A1C2E3'>

4. 重复字符串匹配

example 1:匹配0个或者多个字符

text='Hello .ben@forta.com is my email address.'
get_res(r'\w+[\w.]*@[\w.]+\.\w+',text)
findall res: ['ben@forta.com']
search res: <re.Match object; span=(7, 20), match='ben@forta.com'>
text="The URL is http://www.forta.com/, to connect securely use https://www.forta.com/ instead."
get_res(r"https?://[\w./]+",text)
findall res: ['http://www.forta.com/', 'https://www.forta.com/']
search res: <re.Match object; span=(11, 32), match='http://www.forta.com/'>

example 2:

text="<BODY BGCOLOR=”#336633” TEXT=”#FFFFFF” MARGINWIDTH=”0” MARGINHEIGHT=”0” TOPMARGIN=”0” LEFTMARGIN=”0”>"

get_res(r"\d{6}",text)
findall res: ['336633']
search res: <re.Match object; span=(16, 22), match='336633'>

example 3:范围匹配

text="4/8/03 \
10-6-2004 \
2/2/2 \
01-01-01"

get_res(r"\d{1,2}[-\/]\d{1,2}[-\/]\d{2,4}",text)
findall res: ['4/8/03', '10-6-2004', '01-01-01']
search res: <re.Match object; span=(0, 6), match='4/8/03'>

example 4:至少多少 次数匹配

text="1001: $496.80 1002: $1290.69 1003: $26.43 1004: $613.42 1005: $7.61 1006: $414.90 1007: $25.00"

get_res(r"\d+: \$\d{3,}\.\d{2}",text)
findall res: ['1001: $496.80', '1002: $1290.69', '1004: $613.42', '1006: $414.90']
search res: <re.Match object; span=(0, 13), match='1001: $496.80'>

example 5:防止过度匹配

text="This offer is not available to customers living in <B>AK</B> and <B>HI</B>."

get_res(r"<[Bb]>.*</[Bb]>",text)

get_res(r"<[Bb]>.*?</[Bb]>",text)
findall res: ['<B>AK</B> and <B>HI</B>']
search res: <re.Match object; span=(51, 74), match='<B>AK</B> and <B>HI</B>'>
findall res: ['<B>AK</B>', '<B>HI</B>']
search res: <re.Match object; span=(51, 60), match='<B>AK</B>'>

5. 位置匹配

example 1:字符边界

text="The cat scattered his food all over the room."

get_res(r"cat",text)

get_res(r"\bcat\b",text)
findall res: ['cat', 'cat']
search res: <re.Match object; span=(4, 7), match='cat'>
findall res: ['cat']
search res: <re.Match object; span=(4, 7), match='cat'>

example 2:"\B"边界

text="Please enter the nine-digit id as it appears on your color - coded pass-key."

get_res(r'\B-\B',text)
print(text[55:63])

get_res(r'\b-\b',text)
findall res: ['-']
search res: <re.Match object; span=(59, 60), match='-'>
lor - co
findall res: ['-', '-']
search res: <re.Match object; span=(21, 22), match='-'>

example 3:字符串边界

text="<?xml version=”1.0” encoding=”UTF-8” ?> <wsdl:definitions targetNamespace=”http://tips.cf” xmlns:impl=”http://tips.cf” xmlns:intf=”http://tips.cf” xmlns:apachesoap=”http://xml.apache.org/xml-soap”"

get_res(r'^\s*<\?xml.*\?>',text)

findall res: ['<?xml version=”1.0” encoding=”UTF-8” ?>']
search res: <re.Match object; span=(0, 39), match='<?xml version=”1.0” encoding=”UTF-8” ?>'>

6. 使用子表达式

example 1:子表达式

text="Hello, my name is Ben&nbsp;Forta, and I am the author of books on SQL, ColdFusion, WAP,\
Windows&nbsp;&nbsp;2000, and other subjects."

get_res(r'&nbsp;{2,}',text)

get_res(r'(&nbsp;){2,}',text)
findall res: []
search res: None
findall res: ['&nbsp;']
search res: <re.Match object; span=(94, 106), match='&nbsp;&nbsp;'>

example 2:子表达式

text="Pinging hog.forta.com [12.159.46.200] with [12.159.89.200] 32 bytes of data:"
#findall中含有“()”时，只表示出子表达式特定位置的字符，见下文结果

get_res(r"(\d{1,3}\.){3}\d{1,3}",text)
findall res: ['46.', '89.']
search res: <re.Match object; span=(23, 36), match='12.159.46.200'>

example 3:子表达式

text='ID: 042 \
SEX: M \
DOB: 1967-08-17 \
Status: Active'

get_res(r"19|20\d{2}",text)

get_res(r"(19|20)\d{2}",text)
findall res: ['19']
search res: <re.Match object; span=(20, 22), match='19'>
findall res: ['19']
search res: <re.Match object; span=(20, 24), match='1967'>

7.使用回溯

「回溯引用允许正则表达式模式引用前面的匹配结果。可以把回溯引用想象成一个变量。」

example 1:回溯

text='This is a block of of text, several words here are are repeated, and and they should not be.'

get_res(r"[ ]+(\w+)[ ]+\1",text)#\1 就是引用(\w+)的内容，表示第1个子表达式
findall res: ['of', 'are', 'and']
search res: <re.Match object; span=(15, 21), match=' of of'>

example 2: 回溯

text="<BODY> \
<H1>Welcome to my Homepage</H1> \
Content is divided into two sections:<BR> <H2>ColdFusion</H2> \
Information about Macromedia ColdFusion. <H2>Wireless</H2> \
Information about Bluetooth, 802.11, and more. <H2>This is not valid HTML</H3> \
</BODY>"

get_res(r"<[hH]([1-6])>.*?</[hH]\1>",text)
findall res: ['1', '2', '2']
search res: <re.Match object; span=(7, 38), match='<H1>Welcome to my Homepage</H1>'>

8. 前后查找

前后查找（lookaround）对某一位置的前、后内容进行查找。

example 1:向前查找

text='http://www.forta.com/\n\
https://mail.forta.com/\n\
ftp://ftp.forta.com/\n'

get_res(r".+(?=:)",text)
findall res: ['http', 'https', 'ftp']
search res: <re.Match object; span=(0, 4), match='http'>

example 2:向后查找

text='ABC01: $23.45\n\
HGG42: $5.31\n\
CFMX1: $899.00 XTC99: $69.96\n\
Total items found: 4'

get_res(r"(?<=\$)[0-9.]+",text)
findall res: ['23.45', '5.31', '899.00', '69.96']
search res: <re.Match object; span=(8, 13), match='23.45'>

example 3:向前向后查找

text='<HEAD>\n\
<TITLE>Ben Forta’s Homepage</TITLE>\n\
</HEAD>'

get_res(r"(?<=<[tT][iI][tT][lL][eE]>).*(?=</[tT][iI][tT][lL][eE]>)",text)
findall res: ['Ben Forta’s Homepage']
search res: <re.Match object; span=(14, 34), match='Ben Forta’s Homepage'>

example 4:负向查找

text="I paid $30 for 100 apples, 50 oranges, and 60 pears. I saved $5 on this order."

get_res(r"(?<!\$)\d+",text)
findall res: ['0', '100', '50', '60']
search res: <re.Match object; span=(9, 10), match='0'>

9. 嵌入条件

example 1:（?(backreference)true-regex）

text='<!-- Nav bar -->\n\
<TD>\n\
<A HREF=”/home”><IMG SRC=”/images/home.gif”></A>\n\
<IMG SRC=”/images/spacer.gif”>\n\
<A HREF=”/search”><IMG SRC=”/images/search.gif”></A>\n\
<IMG SRC=”/images/spacer.gif”>\n\
<A HREF=”/help”><IMG SRC=”/images/help.gif”></A> </TD>'

get_res(r"(<[Aa]\s+[^>]+>\s*)?<[Ii][Mm][Gg]\s+[^>]+>(?(1)\s*</[Aa]>)",text)
findall res: ['<A HREF=”/home”>', '', '<A HREF=”/search”>', '', '<A HREF=”/help”>']
search res: <re.Match object; span=(22, 70), match='<A HREF=”/home”><IMG SRC=”/images/home.gif”></A>'>

example 2:（?(backreference)true-regex|false-regex）

text='123-456-7890\n\
(123)456-7890\n\
(123)-456-7890\n\
(123-456-7890\n\
1234567890\n\
123 456 7890'

get_res(r"(\()?\d{3}(?(1)\)|-)\d{3}-\d{4}",text)
findall res: ['', '(', '']
search res: <re.Match object; span=(0, 12), match='123-456-7890'>

代码

以上的东西我已经整理好了：

一文入坑正则表达式代码(https://github.com/weizaiff/regexp)

「所以外卖🥡该填哪个电话☎️呢？」

推  荐  阅  读

参  考  资  料

《正则表达式必知必会(修订版)》

欢  迎  关  注 👇

由于微信平台算法改版，订阅号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们帮我们点【在看】。星标具体步骤：

（1）点击页面最上方“NLP情报局”，进入主页

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦

感谢支持❤️


原创不易，有收获的话请帮忙点击分享、点赞、在看🙏


浏览 58
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
Python正则表达式
SQL数据库开发
0
再见，Python正则表达式！
Python知识圈
0
Python 正则表达式大全
机器学习实验室
0
Python 正则表达式大全
数据分析1480
0
Python 正则表达式大全
Python绿色通道
0
Python 正则表达式大全
Python知识圈
0
再见，Python正则表达式！
菜鸟学Python
0
Python 正则表达式大全
小白学视觉
0
Python 正则表达式大全
python之禅
0
Python 正则表达式大全
python爬虫人工智能大数据
0
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报