Python 正則表示式

---

---

正則表示式是一種特殊的字元序列，它使用專門的語法（包含在模式中）來幫助您匹配或查詢其他字串或字串集。正則表示式通常稱為 regex 或 regexp。

通常，此類模式由字串搜尋演算法用於字串的“查詢”或“查詢和替換”操作，或用於輸入驗證。

資料科學專案中大規模文字處理需要對文字資料進行操作。許多程式語言（包括 Python）都支援正則表示式處理。Python 的標準庫為此目的提供了 **re** 模組。

由於 **re** 模組中定義的大多數函式都使用原始字串，因此讓我們首先了解什麼是原始字串。

原始字串

正則表示式使用反斜槓字元 ('\') 來表示特殊形式，或允許使用特殊字元而不呼叫它們的特殊含義。另一方面，Python 使用相同的字元作為跳脫字元。因此，Python 使用原始字串表示法。

如果在引號符號之前用 r 或 R 作字首，則字串變為原始字串。因此，'Hello' 是普通字串，而 r'Hello' 是原始字串。

>>> normal="Hello"
>>> print (normal)
Hello
>>> raw=r"Hello"
>>> print (raw)
Hello

在正常情況下，兩者之間沒有區別。但是，當跳脫字元嵌入到字串中時，普通字串實際上會解釋轉義序列，而原始字串不會處理跳脫字元。

>>> normal="Hello\nWorld"
>>> print (normal)
Hello
World
>>> raw=r"Hello\nWorld"
>>> print (raw)
Hello\nWorld

在上面的示例中，當列印普通字串時，跳脫字元 '\n' 會被處理以引入換行符。但是，由於原始字串運算子 'r'，跳脫字元的效果不會根據其含義進行轉換。

元字元

大多數字母和字元只會匹配自身。但是，某些字元是特殊的元字元，並且不匹配自身。元字元是具有特殊含義的字元，類似於萬用字元中的 *。

以下是元字元的完整列表：

. ^ $ * + ? { } [ ] \ | ( )

方括號符號 [ 和 ] 表示您希望匹配的一組字元。字元可以單獨列出，也可以作為字元範圍列出，用 '-' 分隔。

序號	元字元及描述
1	[abc] 匹配字元 a、b 或 c 中的任何一個
2	[a-c] 使用範圍表示相同的字元集。
3	[a-z] 僅匹配小寫字母。
4	[0-9] 僅匹配數字。
5	'^' 補充 [] 中的字元集。[^5] 將匹配除 '5' 之外的任何字元。

'\' 是一個轉義元字元。當它後面跟著各種字元時，它會形成各種特殊的序列。如果您需要匹配 [ 或 \，您可以用反斜槓在前面加上它們來消除它們的特殊含義：\[ 或 \\。

以下列出了以 '\' 開頭的此類特殊序列表示的預定義字元集：

序號	元字元及描述
1	\d 匹配任何十進位制數字；這等效於類 [0-9]。
2	\D 匹配任何非數字字元；這等效於類 [^0-9]。
3	**\s**匹配任何空白字元；這等效於類 [\t\n\r\f\v]。
4	\S 匹配任何非空白字元；這等效於類 [^\t\n\r\f\v]。
5	\w 匹配任何字母數字字元；這等效於類 [a-zA-Z0-9_]。
6	\W 匹配任何非字母數字字元。等效於類 [^a-zA-Z0-9_]。
7	. 匹配除換行符 '\n' 之外的任何單個字元。
8	? 匹配其左側模式的 0 次或 1 次出現
9	+ 其左側模式的 1 次或多次出現
10	* 其左側模式的 0 次或多次出現
11	\b 單詞和非單詞之間的邊界，/B 與 /b 相反
12	[..] 匹配方括號中任意單個字元，[^..] 匹配方括號中不存在的任意單個字元。
13	\ 用於特殊含義的字元，例如 \. 匹配句點，\+ 匹配加號。
14	{n,m} 匹配前面表示式的至少 n 次，至多 m 次出現。
15	a| b 匹配 a 或 b。

Python 的 re 模組提供了許多有用的函式，用於查詢匹配項、搜尋模式以及用其他字串替換匹配的字串等。

re.match() 函式

此函式嘗試使用可選的 flags 在 string 的開頭匹配 RE pattern。以下是此函式的語法：

re.match(pattern, string, flags=0)

以下是引數的描述：

序號	引數 & 描述
1	pattern 要匹配的正則表示式。
2	String 要搜尋的字串，將在字串開頭匹配模式。
3	Flags 可以使用按位或 (|) 指定不同的標誌。這些是修飾符，如下表所示。

re.match() 函式成功時返回一個match 物件，失敗時返回None。match 物件例項包含有關匹配的資訊：它從哪裡開始和結束，它匹配的子字串等。

match 物件的 start() 方法返回模式在字串中的起始位置，end() 返回結束位置。

如果找不到模式，則 match 物件為 None。

我們使用match 物件的group(num) 或groups() 函式來獲取匹配的表示式。

序號	Match 物件方法 & 描述
1	group(num=0) 此方法返回整個匹配項（或特定子組 num）
2	groups() 此方法以元組的形式返回所有匹配的子組（如果沒有，則為空）

示例

import re
line = "Cats are smarter than dogs"
matchObj = re.match( r'Cats', line)
print (matchObj.start(), matchObj.end())
print ("matchObj.group() : ", matchObj.group())

它將產生以下輸出：

0 4
matchObj.group() : Cats

re.search() 函式

此函式使用可選的 flags 在 string 中搜索 RE pattern 的第一次出現。以下是此函式的語法：

re.search(pattern, string, flags=0)

以下是引數的描述：

序號	引數 & 描述
1	Pattern 要匹配的正則表示式。
2	String 要搜尋的字串，將在字串中的任何位置匹配模式。
3	Flags 可以使用按位或 (|) 指定不同的標誌。這些是修飾符，如下表所示。

re.search 函式成功時返回一個match 物件，失敗時返回none。我們使用match 物件的group(num) 或groups() 函式來獲取匹配的表示式。

序號	Match 物件方法 & 描述
1	group(num=0) 此方法返回整個匹配項（或特定子組 num）
2	groups() 此方法以元組的形式返回所有匹配的子組（如果沒有，則為空）

示例

import re
line = "Cats are smarter than dogs"
matchObj = re.search( r'than', line)
print (matchObj.start(), matchObj.end())
print ("matchObj.group() : ", matchObj.group())

它將產生以下輸出：

17 21
matchObj.group() : than

匹配與搜尋

Python 提供了兩種基於正則表示式的不同基本操作，match 僅檢查字串開頭的匹配項，而search 檢查字串中任何位置的匹配項（這是 Perl 預設執行的操作）。

示例

import re
line = "Cats are smarter than dogs";
matchObj = re.match( r'dogs', line, re.M|re.I)
if matchObj:
   print ("match --> matchObj.group() : ", matchObj.group())
else:
   print ("No match!!")
searchObj = re.search( r'dogs', line, re.M|re.I)
if searchObj:
   print ("search --> searchObj.group() : ", searchObj.group())
else:
   print ("Nothing found!!")

執行上述程式碼後，將產生以下輸出：

No match!!
search --> matchObj.group() : dogs

re.findall() 函式

findall() 函式以字串或元組列表的形式返回字串中模式的所有不重疊匹配項。字串從左到右掃描，並按找到的順序返回匹配項。結果中包含空匹配項。

語法

re.findall(pattern, string, flags=0)

引數

序號	引數 & 描述
1	Pattern 要匹配的正則表示式。
2	String 要搜尋的字串，將在字串中的任何位置匹配模式。
3	Flags 可以使用按位或 (|) 指定不同的標誌。這些是修飾符，如下表所示。

示例

import re
string="Simple is better than complex."
obj=re.findall(r"ple", string)
print (obj)

它將產生以下輸出：

['ple', 'ple']

以下程式碼在 findall() 函式的幫助下獲取句子中的單詞列表。

import re
string="Simple is better than complex."
obj=re.findall(r"\w*", string)
print (obj)

它將產生以下輸出：

['Simple', '', 'is', '', 'better', '', 'than', '', 'complex', '', '']

re.sub() 函式

使用正則表示式的最重要的re 方法之一是sub。

語法

re.sub(pattern, repl, string, max=0)

此方法將 string 中 RE pattern 的所有出現替換為 repl，除非提供了 max，否則將替換所有出現。此方法返回修改後的字串。

示例

import re
phone = "2004-959-559 # This is Phone Number"

# Delete Python-style comments
num = re.sub(r'#.*$', "", phone)
print ("Phone Num : ", num)

# Remove anything other than digits
num = re.sub(r'\D', "", phone)
print ("Phone Num : ", num)

它將產生以下輸出：

Phone Num : 2004-959-559
Phone Num : 2004959559

示例

以下示例使用 sub() 函式替換所有出現的 is 為 was 單詞：

import re
string="Simple is better than complex. Complex is better than complicated."
obj=re.sub(r'is', r'was',string)
print (obj)

它將產生以下輸出：

Simple was better than complex. Complex was better than complicated.

re.compile() 函式

compile() 函式將正則表示式模式編譯成正則表示式物件，可以使用其 match()、search() 及其他方法進行匹配。

語法

re.compile(pattern, flags=0)

Flags

序號	修飾符 & 描述
1	re.I 執行不區分大小寫的匹配。
2	re.L 根據當前區域設定解釋單詞。此解釋會影響字母組（\w 和 \W），以及單詞邊界行為（\b 和 \B）。
3	re. M 使 $ 匹配行尾（不僅僅是字串的結尾），並使 ^ 匹配任何行的開頭（不僅僅是字串的開頭）。
4	re.S 使句點 (.) 匹配任何字元，包括換行符。
5	re.U 根據 Unicode 字元集解釋字母。此標誌會影響 \w、\W、\b、\B 的行為。
6	re.X 允許使用“更簡潔”的正則表示式語法。它忽略空格（集合 [] 內除外，或被反斜槓轉義時除外），並將未轉義的 # 視為註釋標記。

序列：

prog = re.compile(pattern)
result = prog.match(string)

等效於：

result = re.match(pattern, string)

但是，當在一個程式中多次使用表示式時，使用 re.compile() 並儲存生成的正則表示式物件以供重用效率更高。

示例

import re
string="Simple is better than complex. Complex is better than complicated."
pattern=re.compile(r'is')
obj=pattern.match(string)
obj=pattern.search(string)
print (obj.start(), obj.end())

obj=pattern.findall(string)
print (obj)

obj=pattern.sub(r'was', string)
print (obj)

它將產生以下輸出：

7 9
['is', 'is']
Simple was better than complex. Complex was better than complicated.

re.finditer() 函式

此函式返回一個迭代器，對字串中 RE 模式的所有不重疊匹配項生成匹配物件。

語法

re.finditer(pattern, string, flags=0)

示例

import re
string="Simple is better than complex. Complex is better than complicated."
pattern=re.compile(r'is')
iterator = pattern.finditer(string)
print (iterator )

for match in iterator:
   print(match.span())

它將產生以下輸出：

(7, 9)
(39, 41)

Python 正則表示式的用例

查詢所有副詞

findall() 匹配模式的所有出現，而不僅僅是 search() 的第一個出現。例如，如果作者想要查詢某些文字中的所有副詞，他們可能會以如下方式使用 findall()：

import re
text = "He was carefully disguised but captured quickly by police."
obj = re.findall(r"\w+ly\b", text)
print (obj)

它將產生以下輸出：

['carefully', 'quickly']

查詢以母音開頭的單詞

import re
text = 'Errors should never pass silently. Unless explicitly silenced.'
obj=re.findall(r'\b[aeiouAEIOU]\w+', text)
print (obj)

它將產生以下輸出：

['Errors', 'Unless', 'explicitly']

正則表示式修飾符：選項標誌

正則表示式文字可以包含一個可選的修飾符來控制匹配的各個方面。修飾符指定為可選標誌。您可以使用異或 (|) 提供多個修飾符，如前面所示，並且可以使用以下其中一個表示：

正則表示式模式

除控制字元(+ ? . * ^ $ ( ) [ ] { } | \) 外，所有字元都與其自身匹配。您可以透過在控制字元前面加上反斜槓來轉義它。

下表列出了 Python 中可用的正則表示式語法：

正則表示式示例

字面字元

字元類

特殊字元類

重複情況

非貪婪重複

這匹配最少的重複次數：

使用括號分組

反向引用

這將再次匹配先前匹配的組：

備選方案

錨點

這需要指定匹配位置。

帶括號的特殊語法