Python正则表达式入门教程

概述

本文详细介绍了Python正则表达式的入门知识，包括正则表达式的概念、作用以及Python中re模块的基本使用方法。文章还涵盖了正则表达式的常用语法、高级用法以及实战案例，帮助读者快速掌握Python正则表达式的应用技巧。

Python正则表达式入门教程 正则表达式基础概念

正则表达式的定义

正则表达式（Regular Expression，简称 regex 或 regexp）是一种用于匹配字符串中字符组合的模式。它们被广泛应用于文本搜索、文本替换、格式验证等场景。正则表达式提供了一种强大的方法来处理和分析文本数据。

正则表达式的作用

正则表达式的主要作用包括：

1. 文本搜索：可以使用正则表达式来搜索文本中的特定模式。
2. 文本替换：可以使用正则表达式来查找和替换文本中的特定模式。
3. 格式验证：可以使用正则表达式来验证输入是否符合特定的格式要求。

Python中的re模块介绍

Python 提供了一个内置的 re 模块，用于处理正则表达式。re 模块提供了许多用于正则操作的方法，以下是一些常用的函数：

• re.search(pattern, string)：搜索字符串中符合模式的子串，返回第一个匹配的结果。
• re.match(pattern, string)：从字符串的开始位置匹配模式，返回一个匹配对象。
• re.findall(pattern, string)：查找所有符合模式的子串，并返回一个列表。
• re.sub(pattern, repl, string)：替换字符串中符合条件的所有子串。
• re.split(pattern, string)：使用模式将字符串分割成多个子串。

下面是一个简单的示例，演示如何使用 re.search 搜索字符串中的模式：

import re

pattern = r"hello"
text = "hello world, hello python"

result = re.search(pattern, text)
print(result)  # 输出匹配对象
print(result.group())  # 输出匹配的字符串

搜索与匹配

• 搜索：re.search(pattern, string) 用于在字符串中查找第一个匹配的子串。
  • 示例：查找第一个匹配的子串。

import re

pattern = r"hello"
text = "hello world, hello python"

result = re.search(pattern, text)
print(result.group())  # 输出 'hello'

• 匹配：re.match(pattern, string) 用于在字符串的开始位置匹配模式。
  • 示例：匹配字符串的开始位置。

import re

pattern = r"hello"
text = "hello world, hello python"

result = re.match(pattern, text)
print(result.group())  # 输出 'hello'

常用正则表达式语法

字符匹配

正则表达式中的字符匹配用于指定要匹配的具体字符或字符集：

• 字符集：使用方括号 [] 来指定一个字符集，匹配方括号内的任意一个字符。
  • 示例：[abc] 匹配字符 a、b 或 c。

import re

pattern = r"[abc]"
text = "abc123"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['a', 'b', 'c']

• 范围匹配：可以使用 - 来指定字符范围。
  • 示例：[a-z] 匹配小写字母，[0-9] 匹配数字。

import re

pattern = r"[a-z]"
text = "Hello World"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['e', 'l', 'l', 'o', 'w', 'o', 'r', 'l', 'd']

• 否定字符集：在方括号前加 ^ 表示否定字符集，匹配不在字符集中的字符。
  • 示例：[^abc] 匹配除了 a、b 和 c 以外的字符。

import re

pattern = r"[^abc]"
text = "abc123"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['1', '2', '3']

量词

量词用于指定前一个字符或字符集的重复次数：

• *（星号）：匹配前一个字符或字符集零次或多次。
  • 示例：a* 匹配零个或多个 a。

import re

pattern = r"a*"
text = "aaa"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['', 'a', 'a', 'a']

• +（加号）：匹配前一个字符或字符集至少一次。
  • 示例：a+ 匹配一个或多个 a。

import re

pattern = r"a+"
text = "aaa"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['aaa']

• ?（问号）：匹配前一个字符或字符集零次或一次。
  • 示例：a? 匹配零个或一个 a。

import re

pattern = r"a?"
text = "a"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['a']

• {n}：匹配前一个字符或字符集恰好 n 次。
  • 示例：a{3} 匹配恰好三个 a。

import re

pattern = r"a{3}"
text = "aaaa"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['aaa']

• {n, m}：匹配前一个字符或字符集至少 n 次，最多 m 次。
  • 示例：a{2,4} 匹配两个、三个或四个 a。

import re

pattern = r"a{2,4}"
text = "aaaa"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['aaaa']

括号与捕获组

• 括号：使用括号 () 将正则表达式的一部分括起来，形成一个捕获组。
  • 示例：(abc) 匹配字符串 abc，并将匹配的子串作为捕获组。

import re

pattern = r"(abc)"
text = "abc123"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['abc']

• 命名组：使用 (?P<name>...) 来指定命名捕获组。
  • 示例：(?P<name>abc) 匹配字符串 abc，并将匹配的子串作为命名捕获组 name。

import re

pattern = r"(?P<name>abc)"
text = "abc123"

matches = re.finditer(pattern, text)
for match in matches:
    print(match.group("name"))  # 输出 abc

分支条件

分支条件使用管道符 | 来表示“或”的关系，可以用来匹配多个可能的模式。

import re

pattern = r"hello|world"
text = "hello world"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['hello', 'world']

转义字符与特殊字符

• 转义字符：使用反斜杠 \ 来转义特殊字符。
  • 示例：\. 匹配点字符，而不是正则表达式的特殊字符。
• 特殊字符：一些特殊的字符在正则表达式中有特殊的含义，需要转义才能匹配实际字符。
  • 示例：. 匹配任意字符，但不包括换行符。
  • 示例：\d 匹配任何数字字符。

import re

pattern = r"\\."
text = "a.b"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['b']

基本正则操作

查找与替换

• 查找：re.findall(pattern, string) 用于查找所有符合模式的子串。
  • 示例：查找所有匹配的子串。

import re

pattern = r"hello"
text = "hello world, hello python"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['hello', 'hello']

• 替换：re.sub(pattern, repl, string) 用于替换字符串中符合条件的所有子串。
  • 示例：替换所有匹配的子串。

import re

pattern = r"hello"
text = "hello world, hello python"

new_text = re.sub(pattern, "hi", text)
print(new_text)  # 输出 'hi world, hi python'

分割字符串

• 分割：re.split(pattern, string) 用于使用模式将字符串分割成多个子串。
  • 示例：使用模式分割字符串。

import re

pattern = r", "
text = "hello world, hello python"

split_text = re.split(pattern, text)
print(split_text)  # 输出 ['hello world', 'hello python']

正则表达式的高级用法

非贪婪模式

非贪婪模式使用 ? 作为量词的后缀，表示匹配尽可能少的字符。

• 示例：匹配尽可能少的字符。

import re

pattern = r"<.*?>"
text = "<html><body><p>Hello World</p></body></html>"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['<html>', '<body>', '<p>', '</p>', '</body>', '</html>']

负向前瞻与负向后瞻

• 负向前瞻：使用 (?!) 来指定匹配条件不成立的部分。
  • 示例：匹配不包含特定模式的子串。

import re

pattern = r"abc(?!def)"
text = "abcdef abcdefg"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['abc']

• 负向后瞻：使用 (?<=...) 和 (?<!...) 来指定匹配条件不成立的部分。
  • 示例：匹配不以特定模式开头的子串。

import re

pattern = r"(?<!^)abc"
text = "abc abcdefg"

matches = re.findall(pattern, text)
print(matches)  # 输出 ['abc']

括号标记与命名组

• 标记：使用 (?P=...) 来引用先前定义的捕获组。
  • 示例：引用先前定义的捕获组。

import re

pattern = r"(?P<name>\d{3})-(?P=name)"
text = "123-123"

matches = re.findall(pattern, text)
print(matches)  # 输出 [('123', '123')]

• 命名组：使用 (?P<name>...) 来指定命名捕获组。
  • 示例：指定命名捕获组。

import re

pattern = r"(?P<name>\d{3})"
text = "123"

matches = re.finditer(pattern, text)
for match in matches:
    print(match.group("name"))  # 输出 123

正则表达式的性能优化

正则表达式的性能优化是提高程序效率的重要手段之一。以下是一些常见的优化方法：

• 减少重复匹配：避免在正则表达式中使用不必要的重复匹配。
• 优化模式：合理设计正则表达式模式，减少不必要的分支和量词。
• 使用 re.compile()：预先编译正则表达式可以提高匹配效率。

import re

pattern = re.compile(r"a{2,4}")
text = "aaaaa"

matches = pattern.findall(text)
print(matches)  # 输出 ['aaaa']

实战案例

使用正则表达式进行电子邮件验证

电子邮件地址通常遵循一定的格式，可以通过正则表达式来验证电子邮件是否符合格式要求。

import re

def is_valid_email(email):
    pattern = r"^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$"
    return bool(re.match(pattern, email))

emails = ["test@example.com", "invalid-email@com"]
for email in emails:
    print(f"{email}: {is_valid_email(email)}")

解析HTML中的特定标签

使用正则表达式可以轻松地从HTML中提取特定标签的内容。

import re

html = "<html><body><h1>Hello World</h1><p>This is a paragraph.</p></body></html>"

pattern = r"<p>(.*?)</p>"
paragraphs = re.findall(pattern, html, re.DOTALL)
print(paragraphs)  # 输出 ['This is a paragraph.']

文本格式化与清理

使用正则表达式可以方便地清理和格式化文本。

import re

text = "Hello    World\n\tThis is a test."

# 去除多余空白字符
pattern = r"\s+"
clean_text = re.sub(pattern, " ", text).strip()
print(clean_text)  # 输出 'Hello World This is a test.'

常见问题与解决方法

常见错误与调试技巧

• 调试工具：使用在线正则表达式调试工具（如 regex101.com）来验证正则表达式的正确性。
• 错误信息：理解正则表达式错误信息，如 re.error，可以帮助快速定位问题。
• 逐步调试：逐步构建和测试正则表达式，确保每一步都符合预期。

参考资源与进阶学习

• 官方文档：Python 官方文档提供了详细的 re 模块文档和正则表达式语法说明。
• 在线教程：许多在线教程和视频课程提供了丰富的正则表达式学习资源。
• 编程网站：例如 慕课网 提供了大量与正则表达式相关的教学视频和项目实践。

通过不断实践和学习，可以更好地掌握正则表达式的使用技巧，提高编程效率。