Python基础：正则表达式（regular expression）详解

  在Python中，正则表达式是一种强大的工具，可用于匹配和操作字符串。什么是正则表达式？ 正则表达式是一种模式匹配语言，用于匹配字符串中的特定模式。这些模式可以是字母、数字、字符组合或其他符号。正则表达式通常用于文本处理、网络编程、数据分析等领域。
  在 Python 中，正则表达式的实现主要基于 re 模块，该模块提供了一组函数和类，用于处理正则表达式的匹配、搜索和替换。

1. 实现原理：

  正则表达式引擎： Python 中的正则表达式引擎使用了正则表达式的编译和匹配两个主要阶段。
  编译阶段： 在编译阶段，正则表达式字符串会被解析并转换成一个内部的模式表示。这个模式表示了匹配规则，它包括普通字符、元字符、字符类、分组等。
  匹配阶段： 一旦正则表达式被编译，就可以用来匹配字符串。匹配过程是基于模式在字符串中的搜索和比对。引擎会从字符串的起始位置开始，尝试找到与模式匹配的子字符串。
  回溯和优化： 在匹配过程中，可能会涉及到回溯的操作，即引擎试图在字符串中不同位置匹配模式。为了提高性能，引擎会使用一些优化策略，避免不必要的回溯。

2. 正则表达式

  正则表达式由普通字符和元字符组成。普通字符就是字母、数字、空格等常见字符；元字符则表示特殊含义，例如点号（.）表示任意字符，星号（*）表示零个或多个前面的字符。
  常用的元字符及其含义：
  .：匹配任意单个字符
  \d：匹配数字（等价于 [0-9]）
  \w：匹配字母、数字、下划线（等价于 [a-zA-Z0-9_]）
  \s：匹配空格、制表符、换行符等空白字符
  ^：匹配开头
  $：匹配结尾
  *：匹配前面的字符零次或多次
  +：匹配前面的字符一次或多次
  ?：匹配前面的字符零次或一次
  []：匹配方括号中任意一个字符
  ()：将其中的内容作为一个组

3.常见示例：

3.1 匹配手机号码

import re

pattern = r"\d{11}"
string = "My phone number is 12345678901"
match_result = re.search(pattern, string)

if match_result:
    print("Match found:", match_result.group())
else:
    print("Match not found")
1
2
3
4
5
6
7
8
9
10

3.2 匹配邮政编码

import re

pattern = r"\b\d{6}\b"
string = "The postal code is 123456"
match_result = re.search(pattern, string)

if match_result:
    print("Match found:", match_result.group())
else:
    print("Match not found")

1
2
3
4
5
6
7
8
9
10
11

3.3 提取HTML标签中的内容

import re

pattern = r"<.*?>"
html_string = "
This is a bold statement.
"
match_result = re.findall(pattern, html_string)

print("Matches found:", match_result)

1
2
3
4
5
6
7
8

3.4 提取HTML中的链接（href属性）

import re

pattern = r'href="(.*?)"'
html_code = 'Visit our website'
match_result = re.search(pattern, html_code)

if match_result:
    print("Match found:", match_result.group(1))
else:
    print("Match not found")

1
2
3
4
5
6
7
8
9
10
11

3.5 匹配IP地址

import re

pattern = r"\b(?:\d{1,3}\.){3}\d{1,3}\b"
string = "Server's IP address is 192.168.1.1"
match_result = re.search(pattern, string)

if match_result:
    print("Match found:", match_result.group())
else:
    print("Match not found")

1
2
3
4
5
6
7
8
9
10
11

3.6 匹配URL

import re

pattern = r"https?://\S+"
text = "Visit our website at https://www.example.com"
match_result = re.search(pattern, text)

if match_result:
    print("Match found:", match_result.group())
else:
    print("Match not found")

1
2
3
4
5
6
7
8
9
10
11

3.7 匹配日期（yyyy-mm-dd）

import re

pattern = r"\b\d{4}-\d{2}-\d{2}\b"
text = "Event date: 2022-12-31"
match_result = re.search(pattern, text)

if match_result:
    print("Match found:", match_result.group())
else:
    print("Match not found")

1
2
3
4
5
6
7
8
9
10
11

3.8 匹配邮箱地址

import re

pattern = r"\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b"
text = "Contact us at info@example.com or support@company.net"
match_result = re.findall(pattern, text)

print("Matches found:", match_result)

1
2
3
4
5
6
7
8

3.9 匹配全名中的姓氏

import re

pattern = r"\b[A-Z][a-z]+\b"
full_name = "John Doe"
match_result = re.findall(pattern, full_name)

print("Matches found:", match_result)

1
2
3
4
5
6
7
8

3.10 匹配中文名字

import re

pattern = r'^[\u4e00-\u9fa5]{1,5}$'
name = "王小明"

match_result = re.match(pattern, name)

if match_result:
    print("Match found:", match_result.group())
else:
    print("Match not found")

1
2
3
4
5
6
7
8
9
10
11
12

3.11 匹配字符串中的所有单词

import re

pattern = r"\b\w+\b"
text = "This is a simple example."
match_result = re.findall(pattern, text)

print("Matches found:", match_result)

1
2
3
4
5
6
7
8