正则表达式是用于匹配文本模式的强大语言。本页将简要介绍正则表达式本身，足以完成我们的 Python 练习，并展示正则表达式在 Python 中的工作方式。Python“re”模块提供正则表达式支持。
在 Python 中，正则表达式搜索的编写形式通常为：
match = re.search(pat, str)
re.search() 方法会接受正则表达式模式和字符串，然后在字符串中搜索该模式。如果搜索成功，search() 会返回一个匹配对象，否则会返回 None。因此，搜索操作后面通常会紧跟着 if 语句，以测试搜索是否成功，如以下示例（搜索“word”格式所示）所示：后跟 3 个字母的单词（详见下文）：
import re str = 'an example word:cat!!' match = re.search(r'word:\w\w\w', str) # If-statement after search() tests if it succeeded if match: print('found', match.group()) ## 'found word:cat' else: print('did not find')
代码 match = re.search(pat, str) 将搜索结果存储在名为“match”的变量中。然后，if 语句测试匹配。如果为 true，则搜索成功，并且 match.group() 是匹配的文本（例如“word:cat”）。否则，如果匹配为 false（None 更具体），则搜索不会成功，且没有匹配的文本。
“r”，表示 Python 的“raw”字符串，无需更改即可通过反斜杠传递，这对正则表达式非常方便（Java 极度需要此功能！）。建议您始终以“r”格式编写模式字符串也是一种习惯
基本模式
正则表达式的强大之处在于它们可以指定模式，而不仅仅是固定字符。以下是匹配单个字符的最基本模式：
- a、X、9、<普通角色本身就是完全一样的。由于具有特殊含义而不匹配的元字符为： 。^ $ * + ?{ [ ] \ |( )（详情如下）
- 。（句点）- 匹配除换行符“\n”之外的任何单个字符
- \w --（小写 w）匹配“字词”字符：字母、数字或下划线 [a-zA-Z0-9_]。请注意，虽然“字词”是此名称的助记符，它只匹配单个字词字符，而非整个字词。\W（大写 W）匹配任何非文字字符。
- \b -- 字词和非字词之间的边界
- \s --（小写 s）匹配单个空白字符 - 空格、换行符、回车符、制表符，格式为 [ \n\r\t\f]。\S（大写 S）匹配任何非空白字符。
- \t,\n,\r -- 制表符，换行符，return
- \d -- 十进制数位 [0-9]（某些旧版正则表达式实用程序不支持 \d，但它们都支持 \w 和 \s）
- ^ = start，$ = end -- 匹配字符串的开头或结尾
- \ -- 抑制“特殊性”字符的总数。例如，使用 \。与句点匹配或 \\ 与斜杠匹配。如果您不确定某个字符是否具有特殊含义，例如“@”，可以尝试在该字符前面加一条斜线，即 \@。如果它不是有效的转义序列（如 \c），则 Python 程序将停止运行并报错。
基本示例
笑话：三眼猪怎么叫？呆瓜！
通过正则表达式搜索字符串中的模式的基本规则如下：
- 搜索会从头到尾搜索字符串，找到第一个匹配项就会停止搜索
- 必须匹配所有模式，但不一定匹配整个字符串
- 如果
match = re.search(pat, str)成功，则 match 不是 None，特别是 match.group() 匹配文本
## Search for pattern 'iii' in string 'piiig'. ## All of the pattern must match, but it may appear anywhere. ## On success, match.group() is matched text. match = re.search(r'iii', 'piiig') # found, match.group() == "iii" match = re.search(r'igs', 'piiig') # not found, match == None ## . = any char but \n match = re.search(r'..g', 'piiig') # found, match.group() == "iig" ## \d = digit char, \w = word char match = re.search(r'\d\d\d', 'p123g') # found, match.group() == "123" match = re.search(r'\w\w\w', '@@abcd!!') # found, match.group() == "abc"
重复
在模式中使用 + 和 * 指定重复时，内容会变得更加有趣
- + -- 左侧格式出现 1 次或多次，例如“i+”= 一个或多个 i
- * - 左侧模式出现 0 次或多次
- ? - 匹配该模式左侧的 0 或 1 次出现
最左边和最大
首先，该搜索查找该模式最左边的匹配项，其次尝试使用尽可能多的字符串，即 + 和 * 会尽可能多地搜索（+ 和 * 被称为“贪心”）。
重复示例
## i+ = one or more i's, as many as possible. match = re.search(r'pi+', 'piiig') # found, match.group() == "piii" ## Finds the first/leftmost solution, and within it drives the + ## as far as possible (aka 'leftmost and largest'). ## In this example, note that it does not get to the second set of i's. match = re.search(r'i+', 'piigiiii') # found, match.group() == "ii" ## \s* = zero or more whitespace chars ## Here look for 3 digits, possibly separated by whitespace. match = re.search(r'\d\s*\d\s*\d', 'xx1 2 3xx') # found, match.group() == "1 2 3" match = re.search(r'\d\s*\d\s*\d', 'xx12 3xx') # found, match.group() == "12 3" match = re.search(r'\d\s*\d\s*\d', 'xx123xx') # found, match.group() == "123" ## ^ = matches the start of string, so this fails: match = re.search(r'^b\w+', 'foobar') # not found, match == None ## but without the ^ it succeeds: match = re.search(r'b\w+', 'foobar') # found, match.group() == "bar"
电子邮件示例
假设您希望在字符串“xyz alice-b@google.com purple monkey”中查找电子邮件地址。我们将使用它作为运行示例，演示更多正则表达式功能。以下是一个使用 r'\w+@\w+' 格式的尝试：
str = 'purple alice-b@google.com monkey dishwasher' match = re.search(r'\w+@\w+', str) if match: print(match.group()) ## 'b@google'
在这种情况下，搜索不会获得完整的电子邮件地址，因为 \w 与“-”不匹配或“.”地址中。我们将使用以下正则表达式功能解决此问题。
方括号
方括号可用于表示一组字符，因此 [abc] 匹配“a”或“b”或“c”。代码 \w、\s 等也可在方括号内使用，但点 (.) 仅表示字面意义之外的点。对于电子邮件问题，方括号是一种添加“.”的简便方法。和“-”字符集，字符集可在 @ 周围显示，且格式为 r'[\w.-]+@[\w.-]+'获取完整电子邮件地址：
match = re.search(r'[\w.-]+@[\w.-]+', str) if match: print(match.group()) ## 'alice-b@google.com'
群组提取
“小组”您可以挑选出匹配文字的部分内容。对于电子邮件问题，假设我们想要分别提取用户名和主机。为此，请在模式中的用户名和主机两边添加括号 ( )，例如：r'([\w.-]+)@([\w.-]+)'。在这种情况下，圆括号不会改变模式将匹配的内容，而是建立逻辑“组”放在匹配文本内。如果搜索成功，match.group(1) 是与第 1 个左圆括号对应的匹配文本，match.group(2) 是与第 2 个左圆括号对应的文本。普通的 match.group() 仍像往常一样是完全匹配文本。
str = 'purple alice-b@google.com monkey dishwasher' match = re.search(r'([\w.-]+)@([\w.-]+)', str) if match: print(match.group()) ## 'alice-b@google.com' (the whole match) print(match.group(1)) ## 'alice-b' (the username, group 1) print(match.group(2)) ## 'google.com' (the host, group 2)
使用正则表达式的常见工作流程是，您为要查找的内容编写一种模式，通过添加括号组来提取所需部分。
查找
findall() 可能是 re 模块中功能最强大的一个函数。在上面，我们使用 re.search() 查找模式的第一个匹配项。findall() 会查找 *所有* 匹配项，并以字符串列表的形式返回这些匹配项，其中每个字符串表示一个匹配项。## Suppose we have a text with many email addresses str = 'purple alice@google.com, blah monkey bob@abc.com blah dishwasher' ## Here re.findall() returns a list of all the found email strings emails = re.findall(r'[\w\.-]+@[\w\.-]+', str) ## ['alice@google.com', 'bob@abc.com'] for email in emails: # do something with each found email string print(email)
包含文件的 findall
对于文件，您可能习惯编写一个循环来迭代文件的行，然后可以在每行上调用 findall()。您可以让 findall() 为您执行迭代 - 效果会更好！只需将整个文件文本馈送到 findall() 中，并让它在一步中返回所有匹配项的列表即可（请注意，f.read() 以单个字符串返回文件的全部文本）：
# Open file f = open('test.txt', encoding='utf-8') # Feed the file text into findall(); it returns a list of all the found strings strings = re.findall(r'some pattern', f.read())
findall 和 Groups
括号 ( ) 组机制可与 findall() 结合使用。如果模式包含 2 个或更多个括号组，则 findall() 会返回 *元组*列表，而不是返回字符串列表。每个元组表示模式的一个匹配项，元组内部是 group(1)、group(2) ...数据。因此，如果电子邮件模式中添加了 2 个括号组，则 findall() 会返回元组列表，每个长度为 2 个，其中包含用户名和主机，例如：（“alice”“google.com”）。
str = 'purple alice@google.com, blah monkey bob@abc.com blah dishwasher' tuples = re.findall(r'([\w\.-]+)@([\w\.-]+)', str) print(tuples) ## [('alice', 'google.com'), ('bob', 'abc.com')] for tuple in tuples: print(tuple[0]) ## username print(tuple[1]) ## host
获得元组列表后，您可以遍历该列表，对每个元组进行一些计算。如果模式不包含括号，则 findall() 会返回已找到字符串的列表，如前面的示例所示。如果模式包含一对圆括号，则 findall() 返回与这一组对应的字符串列表。（模糊的可选功能：有时，模式中包含括号 ( ) 分组，但您并不想提取这些分组。在这种情况下，请在开头使用 ?: 来编写括号，例如(?: ) 和左括号不会计为组结果。）
RE 工作流和调试
正则表达式模式在短短几个字符中就包含许多含义，但它们非常密集，您可能会花费大量时间调试模式。设置运行时，以便运行模式并轻松输出匹配的内容，例如，通过在较小的测试文本上运行该模式并输出 findall() 的结果。如果模式与任何匹配项都不匹配，请尝试削弱模式，移除其中的某些部分，以便得到过多匹配。如果没有任何匹配内容，您就无法取得任何进展，因为没有具体内容可供查看。如果匹配量太大，你可以逐渐收紧，以便达到想要的效果。
选项
re 函数用于修改模式匹配的行为。选项标志作为额外参数添加到 search() 或 findall() 等，例如re.search(pat, str, re.IGNORECASE)。
- IGNORECASE -- 匹配时忽略大小写差异，因此为“a”同时匹配“a”和“A”。
- DOTALL - 允许点 (.) 匹配换行符 -- 通常匹配除换行符之外的所有内容。这可能会让您迷惑：您认为 .* 可以匹配所有内容，但默认情况下，它不会超过一行的末尾。请注意，\s（空格）包含换行符，因此，如果要匹配可能包含换行符的一连串空格，只需使用 \s*
- 多行 - 在由多行组成的字符串中，允许 ^ 和 $ 匹配每行的开头和结尾。通常，^/$ 只会匹配整个字符串的开头和结尾。
贪心与不贪心（可选）
这是可选部分，介绍了练习中不需要的更高级的正则表达式技术。
假设您包含带有标记的文本：<b>foo</b>依此类推<i></i>
假设您尝试将每个标记与格式“(<.*>)”进行匹配-- 它首先匹配什么？
结果有点出乎意料，但 .* 贪婪的方面导致它匹配整个“<b>foo</b>”依此类推”<i></i>必将大相径庭问题是，.* 会尽可能走远，而不是在第一个 >（也称为“贪婪”）。
正则表达式有一个在末尾添加 ? 符号的扩展，例如 .*?或 .+?，将其更改为非贪心搜索。现在它们会尽快停下来。因此模式“(<.*?>)”只能得到“<b>”作为第一个匹配项，以“</b>”表示作为第二个匹配项，以此类推，获取每个 <..>。样式通常是使用 .*?后面紧跟着将 .*?运行时间被强制延长
*?扩展源自 Perl，而包含 Perl 扩展的正则表达式称为 Perl 兼容正则表达式 (pcre)。Python 包含 pcre 支持。许多命令行实用程序等都有一个用于接受 pcre 模式的标志。
一种古老但广泛采用的技术，对“除了停止在 X 处之外的所有字符”这一概念进行编码，它使用的是方括号样式对于上面的示例，您可以编写模式，但要获取所有字符，请不要使用 .*，而是使用 [^>]*，它会跳过所有不大于 > 的字符（前导 ^ 会“反转”方括号集，因此它会匹配方括号内的任何字符）。
替换（可选）
re.sub(pat, replace, str) 函数会在给定字符串中搜索模式的所有实例，并对其进行替换。替换字符串可包含“\1”“\2”引用了 group(1)、group(2) 等与原始匹配文本中的文本。
以下示例搜索所有电子邮件地址，然后更改这些地址以保留用户 (\1)，但将 yo-yo-dyne.com 作为主机。
str = 'purple alice@google.com, blah monkey bob@abc.com blah dishwasher' ## re.sub(pat, replacement, str) -- returns new string with all replacements, ## \1 is group(1), \2 group(2) in the replacement print(re.sub(r'([\w\.-]+)@([\w\.-]+)', r'\1@yo-yo-dyne.com', str)) ## purple alice@yo-yo-dyne.com, blah monkey bob@yo-yo-dyne.com blah dishwasher
锻炼
要练习使用正则表达式，请参阅婴儿取名练习。