python正则匹配的知识总结

一、基本的正则表达式的处理流程

       Python 正则表达式是处理字符串的常用工具，虽然没有字符串自带的处理效率高，但是其强大的普适应功能，是其被广泛应用的基础。具体的流程如下图所示:

                                           

       正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，就要根据具体匹配模块（匹配的函数）来处理。

二、 Python正则表达式的元字符和语法

       总结了几个博客的python的元字符和语法，具体的下图所示：

           

           

           

           

           

           

三、常见的问题

   1.  数量词的贪婪模式与非贪婪模式

       Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。一般将默认的贪婪模式变成非贪婪模式都是在正则表达式后加”?” 。

    2. 反斜杠的困扰

        与大多数编程语言相同，正则表达式里使用 "\" 作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符 "\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用 r"\\"表示。同样，匹配一个数字的 "\\d"可以写成r"\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

四、常用的函数和模块

      1. 模块re

      python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作；也可以之间将正则表达式和字符串作为参数给予下面将要介绍的函数。

# encoding:utf-8import re# 将正则表达式编译成Pattern对象pattern = re.compile(r'hello')# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回Nonematch = pattern.match('hello world!')if match:    # 使用Match获得分组信息    print match.group()print "-----------------------------"a = 'one1323two2323three323four4'b = re.findall(r'(\d+)',a)print b#------输出输出--------hello-----------------------------['1323', '2323', '323', '4']

        

         re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern',re.I | re.M)与re.compile('(?im)pattern')是等价的。 
可选值有：

·        re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）

·        M(MULTILINE): 多行模式，改变'^'和'$'的行为

·        S(DOTALL): 点任意匹配模式，改变'.'的行为

·        L(LOCALE): 使预定字符类 \w \W \b \B \s \S取决于当前区域设定

·        U(UNICODE): 使预定字符类 \w \W \b \B \s \S\d \D 取决于unicode定义的字符属性

·        X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

 

  

       2. 函数match

        Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

        属性：

        string: 匹配时使用的文本。

        re: 匹配时使用的Pattern对象。

        pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

        endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

        lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。

        lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

        方法：

       (1). group([group1, …]): 获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。

       (2). groups([default]): 以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。

       (3). groupdict([default]): 返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。

       (4). start([group]): 返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。

       (5). end([group]): 返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。

       (6). span([group]): 返回(start(group),end(group))。

       (7). expand(template): 将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

   

     3. Pattern

       Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

       Pattern不能直接实例化，必须使用re.compile()进行构造。

       Pattern提供了几个可读属性用于获取表达式的相关信息：

                             (1).  pattern: 编译时用的表达式字符串。

                             (2).flags: 编译时用的匹配模式。数字形式。

                             (3).groups: 表达式中分组的数量。

                             (4).groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

     实例方法[ | re模块方法]：

     (1). match(string[, pos[, endpos]]) |re.match(pattern, string[, flags]): 
           这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。 pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。 
          注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。 

      (2).  search(string[, pos[, endpos]]) |re.search(pattern, string[, flags]): 

          这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。 pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。 

   

       (3).split(string[, maxsplit])| re.split(pattern, string[, maxsplit]): 

            按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

    

       (4). findall(string[,pos[, endpos]]) | re.findall(pattern, string[, flags]): 

           搜索string，以列表形式返回全部能匹配的子串。

       (5). finditer(string[, pos[, endpos]]) | re.finditer(pattern,string[, flags]): 

            搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。 

       (6). sub(repl, string[, count]) | re.sub(pattern, repl, string[,count]): 

         使用repl替换string中每一个匹配的子串后返回替换后的字符串。 
         当repl是一个字符串时，可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。 
         当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 
         count用于指定最多替换次数，不指定时全部替换。 

        (7). subn(repl, string[,count]) |re.sub(pattern, repl, string[, count]): 

          返回(sub(repl, string[, count]), 替换次数)。 

四、常用的正则表达式

     (1). 校验数字的表达式

1.数字：^[0-9]*$

2.n位的数字：^\d{n}$

3.至少n位的数字：^\d{n,}$

4.m-n位的数字：^\d{m,n}$

5.零和非零开头的数字：^(0|[1-9][0-9]*)$

6.非零开头的最多带两位小数的数字：^([1-9][0-9]*)+(.[0-9]{1,2})?$

7.带1-2位小数的正数或负数：^(\-)?\d+(\.\d{1,2})?$

8.正数、负数、和小数：^(\-|\+)?\d+(\.\d+)?$

9.有两位小数的正实数：^[0-9]+(.[0-9]{2})?$

10.有1~3位小数的正实数：^[0-9]+(.[0-9]{1,3})?$

11.非零的正整数：^[1-9]\d*$或 ^([1-9][0-9]*){1,3}$或 ^\+?[1-9][0-9]*$

12.非零的负整数：^\-[1-9][]0-9"*$或 ^-[1-9]\d*$

13.非负整数：^\d+$或 ^[1-9]\d*|0$

14.非正整数：^-[1-9]\d*|0$或 ^((-\d+)|(0+))$

15.非负浮点数：^\d+(\.\d+)?$或 ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$

16.非正浮点数：^((-\d+(\.\d+)?)|(0+(\.0+)?))$或 ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$

17.正浮点数：^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$或 ^(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$

18.负浮点数：^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$或 ^(-(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)))$

19.浮点数：^(-?\d+)(\.\d+)?$或 ^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$

    (2). 校验字符的表达式

 1. 汉字：^[\u4e00-\u9fa5]{0,}$

 2. 英文和数字：^[A-Za-z0-9]+$或 ^[A-Za-z0-9]{4,40}$

 3. 长度为3-20的所有字符：^.{3,20}$

 4. 由26个英文字母组成的字符串：^[A-Za-z]+$

 5. 由26个大写英文字母组成的字符串：^[A-Z]+$

 6. 由26个小写英文字母组成的字符串：^[a-z]+$

 7. 由数字和26个英文字母组成的字符串：^[A-Za-z0-9]+$

 8. 由数字、26个英文字母或者下划线组成的字符串：^\w+$或 ^\w{3,20}$

 9.中文、英文、数字包括下划线：^[\u4E00-\u9FA5A-Za-z0-9_]+$

10.中文、英文、数字但不包括下划线等符号：^[\u4E00-\u9FA5A-Za-z0-9]+$或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$

11.可以输入含有^%&',;=?$\"等字符：[^%&',;=?$\x22]+

12.禁止输入含有~的字符：[^~\x22]+

  (3). 特殊需求表达式

1.Email地址：^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$

2.域名：[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?

3.InternetURL：[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$

4.手机号码：^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$

5.电话号码("XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX)：^(\(\d{3,4}-)|\d{3.4}-)?\d{7,8}$ 

6.国内电话号码[phone])：\d{3}-\d{8}|\d{4}-\d{7}

7.身份证号(15位、18位数字)：^\d{15}|\d{18}$

8.短身份证号码(数字、字母x结尾)：^([0-9]){7,18}(x|X)?$ 或 ^\d{8,18}|[0-9x]{8,18}|[0-9X]{8,18}?$

9.帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$

10.密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)：^[a-zA-Z]\w{5,17}$

11.强密码(必须包含大小写字母和数字的组合，不能使用特殊字符，长度在8-10之间)：^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$  

12.日期格式：^\d{4}-\d{1,2}-\d{1,2}

13.一年的12个月(01～09和1～12)：^(0?[1-9]|1[0-2])$

14.一个月的31天(01～09和1～31)：^((0?[1-9])|((1|2)[0-9])|30|31)$ 

15.钱的输入格式：

    (1).有四种钱的表示形式我们可以接受:"10000.00" 和 "10,000.00", 和没有 "分" 的 "10000" 和 "10,000"：^[1-9][0-9]*$ 

    (2).这表示任意一个不以0开头的数字,但是,这也意味着一个字符"0"不通过,所以我们采用下面的形式：^(0|[1-9][0-9]*)$ 

    (3).一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号：^(0|-?[1-9][0-9]*)$ 

    (4).这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧.下面我们要加的是说明可能的小数部分：^[0-9]+(.[0-9]+)?$ 

    (5).必须说明的是,小数点后面至少应该有1位数,所以"10."是不通过的,但是 "10" 和 "10.2" 是通过的：^[0-9]+(.[0-9]{2})?$ 

    (6).这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样：^[0-9]+(.[0-9]{1,2})?$ 

    (7).这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样：^[0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$ 

    (8).1到3个数字,后面跟着任意个逗号+3个数字,逗号成为可选,而不是必须：^([0-9]+|[0-9]{1,3}(,[0-9]{3})*)(.[0-9]{1,2})?$ 

    备注：这就是最终结果了,别忘了"+"可以用"*"替代如果你觉得空字符串也可以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里

16.xml文件：^([a-zA-Z]+-?)+[a-zA-Z0-9]+\\.[x|X][m|M][l|L]$

17.中文字符的正则表达式：[\u4e00-\u9fa5]

18.双字节字符：[^\x00-\xff]    (包括汉字在内，可以用来计算字符串的长度(一个双字节字符长度计2，ASCII字符计1))

19.空白行的正则表达式：\n\s*\r    (可以用来删除空白行)

20.HTML标记的正则表达式：<(\S*?)[^>]*>.*?</\1>|<.*? />    (网上流传的版本太糟糕，上面这个也仅仅能部分，对于复杂的嵌套标记依旧无能为力)

21.首尾空白字符的正则表达式：^\s*|\s*$或(^\s*)|(\s*$)    (可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式)

22.腾讯QQ号：[1-9][0-9]{4,}    (腾讯QQ号从10000开始)

23.中国邮政编码：[1-9]\d{5}(?!\d)    (中国邮政编码为6位数字)

24.IP地址：\d+\.\d+\.\d+\.\d+    (提取IP地址时有用)

25.IP地址：((?:(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d)\\.){3}(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d))

五、总结

        这些是网上的一些常用的正则表达式，但并不适合所有的情况，还是建议大家根据具体的情况，参照上面的东西自己编写合适的正则表达式。。。

参考的博客：

1. 点击打开链接

2. 点击打开链接