第14章正则表达式

14.1 什么是正则表达式

正则表达式（regular expression，常简写为regex、regexp或re），是一种用于匹配和操作文本的强大工具，它是由一系列字符和特殊字符组成的模式，用于描述要匹配的文本模式。正则表达式可以在文本中查找、替换、提取和验证特定的模式。

14.2 正则表达式的语法组件

14.2.1 字符类

字符	描述
.	匹配除 \r，\n 之外的任何单个字符。要匹配包括 \r，\n 在内的任何字符，请使用像 `(.
\d	匹配一个数字字符。等价于`[0-9]`。
\D	匹配一个非数字字符。等价于 `[^0-9]`。
\w	匹配包括下划线的任何单词字符。等价于 `[A-Za-z0-9_]`，注意Unicode正则表达式会匹配中文字符。
\W	匹配任何非单词字符。等价于 `[^A-Za-z0-9_]`。
\s	匹配任何空白字符，包括空格、制表符、换页符等。等价于 `[ \f\n\r\t\v]`。
\S	匹配任何非空白字符。等价于 `[^ \f\n\r\t\v]`。
[xyz]	匹配所包含的任意一个字符。如 [abc] 可以匹配“plain”中的“a”。特殊字符仅有反斜线 \ 保持特殊含义，用于转义字符。其它特殊字符如星号、加号、各种括号等均作为普通字符。脱字符 ^ 如果出现在`首位`则表示负值字符集合；如果出现在字符串中间就仅作为普通字符。连字符 - 如果出现在字符串`中间`表示字符范围描述；如果出现在首位（或末尾）则仅作为普通字符。右方括号应转义出现，也可以作为首位字符出现。
[^xyz]	匹配未列出的任意字符。
[a-z]	字符范围。匹配在Unicode编码表指定范围内的任意字符。例如，[a-z]可以匹配“a”到“z”范围内的任意小写字母字符。

14.2.2 数量词

字符	描述
*****	匹配前面的子表达式零次或多次。等价于 {0,}。
+	匹配前面的子表达式一次或多次。等价于 {1,}。
?	匹配前面的子表达式零次或一次。等价于 {0,1}。
{n}	n是一个非负整数。匹配确定的n次。例如， o{2} 不能匹配“Bob”中的“o”，但是能匹配“food”中的两个“o”。
{n,}	至少匹配n次。
{n,m}	其中n<=m。最少匹配n次且最多匹配m次。
?	非贪心量化：当该字符紧跟在任何一个其他重复修饰符（*，+，?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如对于字符串“oooo”，o+? 将匹配单个“o”，而 o+ 将匹配所有“o”。

14.2.3 边界匹配器

字符	描述
^	匹配字符串的开始位置。
$	匹配字符串的结束位置。
\b	匹配一个单词边界，也就是指单词和空格间的位置。
\B	匹配非单词边界。

14.2.4 匹配分组

字符	描述
x\|y	匹配 x 或 y
(pattern)	匹配 pattern 并获取这一匹配的子字符串。
(?P<name> pattern)	与常规的圆括号类似，但分组所匹配到了子字符串可通过符号分组名称 name 来访问。
(?P=name)	引用一个命名组合。
\num	向后引用一个子字符串，该子字符串与正则表达式的第num个用括号围起来的子表达式匹配。其中num从1开始。例如：(.)\1 匹配两个连续的相同字符。

14.2.5 元字符

注意：. ^ $ * + ? { } [ ] \ | ( )属于元字符，[ 和 ] 这两个元字符用于指定一个字符类，也就是你希望匹配的字符的一个集合。元字符 (除了 \) 在字符类中是不起作用的。例如，[akm$] 将会匹配以下任一字符 'a', 'k', 'm' 或 '$'；'$' 通常是一个元字符，但在一个字符类中它的特殊性被消除了。

14.3 原始字符串

Python中字符串前面加上 r 表示原始字符串，忽略转义。原始字符串非常适合用于正则表达式，因为正则表达式中通常包含很多反斜杠（例如 \d 或 \w），使用原始字符串可以避免反斜杠带来的转义问题。

例如：

python

pattern = r"^1[345789]\d{9}$"  # 以1开头，第二位为3，4，5，7，8，9，后面是9位数字

14.4 re模块

Python的re模块提供了正则表达式匹配操作。re模块中提供了一些方法用于查找或处理字符串。

14.4.1 search方法

re.search(pattern, string, flags)：扫描整个 string 查找正则表达式 pattern 产生匹配的第一个位置，并返回相应的 Match。如果字符串中没有与模式匹配的位置则返回 None。

python

"""
    search方法
"""
import re

# 在字符串中搜索第1个数字
text_one = "今天是2026年1月25日，天气不错。"
result_one = re.search(r'\d+', text_one)
if result_one:
    print(f"找到匹配: {result_one.group()}")  # 输出: 找到匹配: 2026
    print(f"匹配位置: {result_one.span()}")   # 输出: 匹配位置: (3, 7)

# 在字符串中搜索第1个手机号码
text_two = "联系电话：138-1234-5678，备用号码：159-8765-4321"
result_two = re.search(r'(\d{3})-(\d{4})-(\d{4})', text_two)
if result_two:
    print(f"完整匹配: {result_two.group()}")     # 完整匹配: 138-1234-5678
    print(f"第一个分组: {result_two.group(1)}")   # 第一个分组: 138
    print(f"第二个分组: {result_two.group(2)}")   # 第二个分组: 1234
    print(f"第三个分组: {result_two.group(3)}")   # 第三个分组: 5678
    print(f"起始位置: {result_two.start()}")      # 起始位置: 5
    print(f"结束位置: {result_two.end()}")        # 结束位置: 17
    print(f"位置范围: {result_two.span()}")       # 位置范围: (5, 17)

# 忽略大小写
text_three = "helloWORLD"
result_three = re.search(r'[a-z]+', text_three, re.IGNORECASE)
if result_three:
    print(f"匹配到的字符串: {result_three.group()}")

# 验证邮箱格式
email = "shangguigu@atguigu.com"
email_pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
if re.search(email_pattern, email):
    print("邮箱格式正确")
else:
    print("邮箱格式错误")

14.4.2 match

re.match(pattern, string, flags)：如果 string 开头的零个或多个字符与正则表达式 pattern 匹配，则返回相应的 Match。如果字符串与模式不匹配则返回 None。

re.match(): 仅从字符串开头开始匹配。适合用于验证字符串开头是否符合特定格式。 re.search(): 在整个字符串中搜索匹配。非常适合用于验证输入格式、提取特定模式的文本内容等场景。

python

"""
    match方法
"""
import re

# 验证字符串是否以数字开头
text_one = "今天是2026年1月25日，天气不错。"
result_one = re.match(r'\d+', text_one)
if result_one:
    print(f"找到匹配: {result_one.group()}")
    print(f"匹配位置: {result_one.span()}")
else:
    print("未找到匹配")

# 验证字符串是否以数字开头
text_two = "2026年2月16日是除夕"
result_two = re.match(r'\d+', text_two)
if result_two:
    print(f"找到匹配: {result_two.group()}")  # 输出: 找到匹配: 2026
    print(f"匹配位置: {result_two.span()}")   # 输出: 匹配位置: (0, 4)
else:
    print("未找到匹配")

14.4.3 findall

re.findall(pattern, string, flags)：返回 pattern 在 string 中的所有非重叠匹配，以字符串列表或字符串元组列表的形式。对 string 的扫描从左至右，匹配结果按照找到的顺序返回。空匹配也包括在结果中。

re.search(): 返回第一个匹配的 Match 对象 re.match(): 从字符串开头开始匹配，返回第一个匹配的 Match 对象 re.findall(): 返回所有匹配的字符串列表

python

"""
    findall方法
"""
import re

# 在字符串中搜索所有数字
text_one = "今天是2026年1月25日，天气不错。"
result_one = re.findall(r'\d+', text_one)
if result_one:
    print(f"找到匹配: {result_one}")  # 输出: 找到匹配: ['2026', '1', '25']

# 在字符串中匹配所有日期
text_two = "出生日期：2002年5月6日，毕业日期：2025-7-1，入职日期：2026/3/8"
result_two = re.findall(r'(\d{4})[年/-](\d{1,2})[月/-](\d{1,2})日?', text_two)
for tel in result_two:
    print(f"完整匹配: {tel}")
    print(f"第一个分组: {tel[0]}")
    print(f"第二个分组: {tel[1]}")
    print(f"第三个分组: {tel[2]}")

14.4.4 sub

re.sub(pattern, repl, string, count=0)：返回通过使用 repl 替换在 string 最左边非重叠出现的 pattern 而获得的字符串。如果样式没有找到，则不加改变地返回 string。
- repl 可以是字符串或函数；如为字符串，则其中任何反斜杠转义序列都会被处理。也就是说，\n 会被转换为一个换行符，\r 会被转换为一个回车符，依此类推。如果 repl 是一个函数，则它会针对每次 pattern 的非重叠出现的情况被调用。该函数接受单个 Match 参数，并返回替换字符串。
- 可选参数 count 是要替换的最大次数；count 必须是非负整数。如果省略这个参数或设为 0，所有的匹配都会被替换。

python

"""
    sub方法
"""
import re

text = "123hello89world45python472"
# 去除字符串首尾的数字
text = re.sub(r'^\d+|\d+$', '', text)
print(text) # hello89world45python
# 替换字符串中的数字为 -
result = re.sub(r'\d+', '-', text)
print(result) # hello-world-python

# 使用 lambda 函数将字符串中的单词首字母大写
words = "hello world python atguigu"
result = re.sub(r'\b\w+\b', lambda m: m.group().capitalize(), words)
print(result) # Hello World Python Atguigu

14.4.5 split

re.split(pattern, string, maxsplit=0)：用 pattern 分开 string 。如果在 pattern 中捕获到括号，那么所有的组里的文字也会包含在列表里。如果 maxsplit 非零，最多进行 maxsplit 次分隔，剩下的字符全部返回到列表的最后一个元素。

python

"""
    split方法
"""
import re

# 按多个分隔符分割
text = "apple,banana;orange:grape"
result = re.split(r'[,;:]', text)
print(result)  # 输出: ['apple', 'banana', 'orange', 'grape']

# 捕获组会保留分隔符
text = "apple,banana;orange:grape"
result = re.split(r'([,;:])', text)
print(result)  # 输出: ['apple', ',', 'banana', ';', 'orange', ':', 'grape']

14.5 案例

14.5.1 校验手机号码

python

import re

# 校验手机号码
tel_numbers = [
    "13812345678",  # 合法
    "11456817239",  # 非法
    "19912345678",  # 合法
    "17138412356",  # 合法
    "12345678908",  # 非法
    "14752345673",  # 合法
    "1800123456",  # 非法
]
pattern = r"^(13[0-9]|14[01456879]|15[0-35-9]|16[2567]|17[0-8]|18[0-9]|19[0-35-9])\d{8}$"
for i in tel_numbers:
    print(f"{i:20}{"合法" if re.match(pattern, i) else "非法"}")

14.5.2 校验邮箱

python

import re

# 校验邮箱的合法性
email_addresses = [
    "example@example.com",   # 合法
    "user.name@subdomain.example.co", # 合法
    "username@.com",         # 非法
    "@missingusername.com",  # 非法
    "-dasd@qq.com",           # 合法
]
# pattern = r"[\w!#$%&'*+-/=?^`{|}~.]+@[\w!#$%&'*+-/=?^`{|}~.]+\.[a-zA-Z]{2,}$"
pattern = r"^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$"
for i in email_addresses:
    print(f"{i:40}{"合法" if re.match(pattern, i) else "非法"}")

14.5.3 校验0-255之间的数字

python

import re

# 检验数字是否在[0,255]范围
numbers = ["0", "9", "50", "100", "199", "200", "255", "256", "-1", "01", "001"]
# 十位为1-9，?表示可以没有十位，个位是0-9
# 或 百位是1，十位是0-9，个位是0-9
# 或 百位是2，十位是0-4，个位是0-9
# 或 百位是2，十位是5，个位是0-5
pattern = r"^([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])$"
for num in numbers:
    print(f"{num:5} {"合法" if re.match(pattern, num) else "非法"}")

14.5.4 提取网址

python

import re

# 获取所有href中网址
html = """<link rel="alternate" hreflang="zh" href="https://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hans" href="https://zh.wikipedia.org/zh-hans/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hans-CN" href="https://zh.wikipedia.org/zh-cn/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hans-MY" href="https://zh.wikipedia.org/zh-my/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hans-SG" href="https://zh.wikipedia.org/zh-sg/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hant" href="https://zh.wikipedia.org/zh-hant/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hant-HK" href="https://zh.wikipedia.org/zh-hk/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hant-MO" href="https://zh.wikipedia.org/zh-mo/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="zh-Hant-TW" href="https://zh.wikipedia.org/zh-tw/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">
<link rel="alternate" hreflang="x-default" href="https://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F">"""

pattern = r"href=\"(.+)\""
for url in re.findall(pattern, html):
    print(url)

14.5.5 替换文本中的所有数字为对应的词

python

import re

# 使用 re.sub() 方法将数字替换为对应的单词
sentence = "I have 2 apples and 3 oranges."
# 定义数字到词的映射
num_map = {"1": "one", "2": "two", "3": "three", "4": "four", "5": "five"}
print(re.sub(r"(\d)", lambda x: num_map[x[0]], sentence))
# I have two apples and three oranges.

第14章 正则表达式 ​

14.1 什么是正则表达式 ​

14.2 正则表达式的语法组件 ​

14.2.1 字符类 ​

14.2.2 数量词 ​

14.2.3 边界匹配器 ​

14.2.4 匹配分组 ​

14.2.5 元字符 ​

14.3 原始字符串 ​

14.4 re模块 ​

14.4.1 search方法 ​

14.4.2 match ​

14.4.3 findall ​

14.4.4 sub ​

14.4.5 split ​

14.5 案例 ​

14.5.1 校验手机号码 ​

14.5.2 校验邮箱 ​

14.5.3 校验0-255之间的数字 ​

14.5.4 提取网址 ​

14.5.5 替换文本中的所有数字为对应的词 ​

第14章正则表达式

14.1 什么是正则表达式

14.2 正则表达式的语法组件

14.2.1 字符类

14.2.2 数量词

14.2.3 边界匹配器

14.2.4 匹配分组

14.2.5 元字符

14.3 原始字符串

14.4 re模块

14.4.1 search方法

14.4.2 match

14.4.3 findall

14.4.4 sub

14.4.5 split

14.5 案例

14.5.1 校验手机号码

14.5.2 校验邮箱

14.5.3 校验0-255之间的数字

14.5.4 提取网址

14.5.5 替换文本中的所有数字为对应的词