乐趣区

正则备忘录walker

jiezi

下面的例子默认以 python 为实现语言，用到 python 的 re 模块或 regex 库。据 walke r 猜测：在 python3 的 Unicode 字符集下，re 模块的 s 匹配 fnrtv 加全角半角空格，共 7 个字符。

正则表达式的文档

  • 正则表达式 30 分钟入门教程
  • 另一个不错的入门教程
  • 揭开正则表达式的神秘面纱，walker 觉得这篇文章对 Multiline 的讲解特别到位，截图如下：

提取双引号及之间的内容

  • 用 re.findall
text = '''abc"def"ghi'''
re.findall(r'"[^"]+"', text)
# 结果
['"def"']
  • 用 re.search。
>>> text = '''abc"def"ghi'''
>>> re.search(r'"([^"]+)"', text).group(0)'"def"'

提取双引号之间的内容

  • 用 re.findall。
text = '''abc"def"ghi'''
re.findall(r'"([^"]+)"', text)
# 结果
['def']
  • 用 re.search。
>>> text = '''abc"def"ghi'''
>>> re.search(r'"([^"]+)"', text).group(1)'def'
  • 环视: (?<=pattern)、(?=pattern)
text = '''abc"def"ghi'''
re.findall(r'(?<=")[^"]+(?=")', text)
# 结果
['def']

查找以某些字符串打头的行 

# 比如查找以 +++、---、index 打头的行
#方法一，按行匹配
for i in lst:
    if re.match(r"(---|\+\+\+|index).*", i):
        print i
#方法二，一次性匹配
re.findall(r'^(?:\+\+\+|---|index).*$', content, re.M)
#方法二精简版
re.findall(r'^(?:[-\+]{3}|index).*$', content, re.M)

包含 / 不包含

（参考：利用正则表达式排除特定字符串）

  • 文本内容 
>>> print(text)
www.sina.com.cn
www.educ.org
www.hao.cc
www.baidu.com
www.123.com

sina.com.cn
educ.org
hao.cc
baidu.com
123.com
  • 匹配以 www 打头的行 
>>> re.findall(r'^www.*$', text, re.M)
['www.sina.com.cn', 'www.educ.org', 'www.hao.cc', 'www.baidu.com', 'www.123.com']
  • 匹配不以 www 打头的行 
>>> re.findall(r'^(?!www).*$', text, re.M)
['','sina.com.cn','educ.org','hao.cc','baidu.com','123.com']
  • 匹配以 cn 结尾的行 
>>> re.findall(r'^.*?cn$', text, re.M)
['www.sina.com.cn', 'sina.com.cn']
  • 匹配不以 com 结尾的行 
>>> re.findall(r'^.*?(?<!com)$', text, re.M)
['www.sina.com.cn', 'www.educ.org', 'www.hao.cc', '','sina.com.cn','educ.org','hao.cc']
  • 匹配包含 com 的行 
>>> re.findall(r'^.*?com.*?$', text, re.M)
['www.sina.com.cn', 'www.baidu.com', 'www.123.com', 'sina.com.cn', 'baidu.com', '123.com']
  • 匹配不包含 com 的行 
>>> re.findall(r'^(?!.*com).*$', text, re.M)
['www.educ.org', 'www.hao.cc', '','educ.org','hao.cc']

>>> re.findall(r'^(?:(?!com).)*?$', text, re.M)
['www.educ.org', 'www.hao.cc', '','educ.org','hao.cc']

匹配全部，去除部分

利用分组得到网址的第一级，即去除后面几级。

# 方法一
>>> strr = 'http://www.baidu.com/abc/d.html'
>>> re.findall(r'(http://.+?)/.*', strr)
['http://www.baidu.com']

# 方法二
>>> re.sub(r'(http://.+?)/.*', r'\1', strr)
'http://www.baidu.com'

两个有助于理解正则分组的例子 

# 一
>>> strr = 'A/B/C'
>>> re.sub(r'(.)/(.)/(.)', r'xx', strr)
'xx'
>>> re.sub(r'(.)/(.)/(.)', r'\1xx', strr)
'Axx'
>>> re.sub(r'(.)/(.)/(.)', r'\2xx', strr)
'Bxx'
>>> re.sub(r'(.)/(.)/(.)', r'\3xx', strr)
'Cxx'

# 二
>>> text = 'AA,BB:222'
>>> re.search(r'(.+),(.+):(\d+)', text).group(0)
'AA,BB:222'
>>> re.search(r'(.+),(.+):(\d+)', text).group(1)
'AA'
>>> re.search(r'(.+),(.+):(\d+)', text).group(2)
'BB'
>>> re.search(r'(.+),(.+):(\d+)', text).group(3)
'222'

提取含有 hello 字符串的 div

>>> content
'<div id="abc"><div id="hello1"><div id="def"><div id="hello2"><div id="hij">'
>>> 
>>> p = r'<div((?!div).)+hello.+?>'
>>> re.search(p, content).group()
'<div id="hello1">'
>>> re.findall(p, content)
['"','"']
>>> for iter in re.finditer(p, content):
    print(iter.group())

<div id="hello1">
<div id="hello2">
>>> 
>>> p = r'<div[^>]+hello.+?>'
>>> re.search(p, content).group()
'<div id="hello1">'
>>> re.findall(p, content)
['<div id="hello1">', '<div id="hello2">']
>>> for iter in re.finditer(p, content):
    print(iter.group())

<div id="hello1">
<div id="hello2">

如果所使用的工具支持肯定环视（positive lookahead），同时可以在肯定环视中使用捕获括号（capturing parentheses），就能模拟实现固化分组（atomic grouping）和占有优先量词（possessive quantifiers）。

千分位

  • Python
>>> format(23456789, ',')
'23,456,789'
# 利用肯定逆序环视与肯定顺序环视
>>> re.sub(r'(?<=\d)(?=(?:\d{3})+$)', ',', '2345678')
'2,345,678'
  • JavaScript
// 利用肯定顺序环视（因为 js 不支持肯定逆序环视）// 结果为 "23,456,789"
"23456789".replace(/(\d)(?=(?:\d{3})+$)/g, "$1,")

单层嵌套括号（平衡组）

>>> import re
>>> line = r'盖层 (汽油) 塔里木盆地 (学科: 盖层 ( 油气) 学科: 评价 ) 塔里木盆地'
>>> re.findall(r'\([^()]*(\([^()]*\)[^()]*)*\)', line)
['','( 油气) 学科: 评价 ']
>>> re.findall(r'\([^()]*(?:\([^()]*\)[^()]*)*\)', line)
['( 汽油)', '(学科: 盖层 ( 油气) 学科: 评价 )']

匹配汉字 

>>> regex.findall(r'\p{Han}', '孔子 / 现代价值 /Theory of"Knowing"')
['孔', '子', '现', '代', '价', '值']

一种正则和 lambda 的有趣结合 

dic = {'user': 'walker', 'domain': '163.com'}
rule = r'%user%@%domain%'
email = re.sub('%[^%]*%', lambda matchobj: dic[matchobj.group(0).strip('%')], rule)
print('email: %s' % email)      # walker@163.com

相关阅读

  • C++ 中三种正则表达式比较 (C regex，C ++regex，boost regex)
  • Python 中的 re.search 和 re.findall 之间的区别和联系
  • 正则表达式测试：regex101（强烈推荐）、regexr
  • Python 的 regex 模块——更强大的正则表达式引擎
  • 桌面工具：RegexBuddy

demo 版下载：SetupRegexBuddyDemo.exe
修改注册表：RegexBuddy 4.7.0 x64 评估试用到期，无限试用的办法

  • Unicode 正则：https://www.regular-expressio…

本文出自 walker snapshot

退出移动版