python re模块

re模块

re是python内建模块，主要用于处理正则表达式，匹配字符串等工作。

使用正则表达式的步骤

1. 导入re
2. 分析要处理的字符串，提取其特点
3. 用正则表达式来表示提取模式
4. 编译模式
5. 匹配目标字符串
6. 从匹配对象中提取已命名的分组

第一个简单的实验

比如，我们有一个字符串"kumquat: 2 cups"，我们希望将其中的‘kumquat’，‘2’，‘cups’提取出来。
按照上面的步骤进行操作。
1导入就不说了
说说2字符串特点，看起来像食谱，冒号左侧是原料，冒号右侧是数量+单位。
3.构造提取模式
(material): (amount) (unit)

pattern = r'(?P<material>\w+):\s(?P<amount>\d+)\s+(?P<unit>\w+)'

首先，这是一个raw字符串，由于正则大量使用了‘\’，所以使用raw字符串可防止转义。
然后用()进行分组，其中?P<pattern_name>表示匹配的组，稍后会根据这个组进行取值。
紧接着\w，匹配数字/字母/下划线。+，表示至少匹配一个。另外两组同理。
再说一下冒号，在正则表达式中冒号匹配其自身。

4.编译模式

pattern = r'(?P<material>\w+):\s(?P<amount>\d+)\s+(?P<unit>\w+)'
pattern = re.compile(pattern_text)

5.匹配目标字符串
通过编译后的匹配模式，来查找目标字符串。

text = "Kumquat: 2 cups"
pattern_match = pattern.match(text)

6. 查看匹配结果
   可以刚刚在匹配模式中定义的名字取出各组所匹配到的内容，就像从字典中取值一样。

# 分别显示每个组
key_name = pattern_match.group('key_name')
amount = pattern_match.group('amount')
unit = pattern_match.group('unit')
print(key_name, amount, unit)

完整的代码如下

import re


text = "Kumquat: 2 cups"
pattern_text = r"(?P<key_name>\w+):\s+(?P<amount>\d+)\s+(?P<unit>\w+)"
pattern = re.compile(pattern_text)
pattern_match = pattern.match(text)

# 分别显示每个组
key_name = pattern_match.group('key_name')
amount = pattern_match.group('amount')
unit = pattern_match.group('unit')
print(key_name, amount, unit)

举几个例子

1. 匹配时间字符串

我们的目标是，从给定的时间字符串中取出符合规则的部分，规则是ISO 8601格式："YYYY-mm-dd HH:MM:SS".
但是还要兼容另外两种格式。"YYYY-mm-dd HH:MM" 和 "YYYY-mm-dd"。
实际上还兼容"YYYY-mm-dd_HH-MM-SS"，等等。

import re

# 判断日期字符串是否符合格式
def check_datetime(dt:str) -> str:
    dt_pattern = r"(\d{4}[-_]\d{1,2}[-_]\d{1,2}[\s\w]{1}\d{2}[:_]\d{2}[:_]\d{2})|"\
                 r"(\d{4}[-_]\d{1,2}[-_]\d{1,2}\s{1}\d{2}[:_]\d{2})|" \
                 r"(\d{4}[-_]\d{1,2}[-_]\d{1,2})"
    comp = re.compile(dt_pattern)
    search_result = comp.search(dt)
    if search_result:
        print(search_result.group(0), search_result.group(1), search_result.group(2), search_result.group(3))
    else:
        print("nothing finded.")

    return dt


dt1 = "2019-02-10 04:06:00"
dt2 = "2019-02-10---"
dt3 = "2019-02-10 04:06"
dt4 = "2019-2-1 04:06:00"
dt5 = "2019-02-01_04:06:00"
dt6 = "2019-02-01_04-06-00"
dt7 = "4565-12-5894894"
res_dt = check_datetime(dt7)

这里列了三个组，它们之间是“或”的关系。

2. 优化一下上面的例子

我们发现dt7也可以匹配到“4565-12-58”，因为我们仅做了位数的匹配，让我们一起修改一下。
看一下年份匹配的地方。

image.png

是的，我们不应该匹配4位整数，而是应该由20开头，再匹配两位数字。

import re

# 判断日期字符串是否符合格式
def check_datetime(dt:str) -> str:
    dt_pattern = r"(20\d{2}[-_]\d{1,2}[-_]\d{1,2}[\s\w]{1}\d{2}[:_]\d{2}[:_]\d{2})|"\
                 r"(20\d{2}[-_]\d{1,2}[-_]\d{1,2}\s{1}\d{2}[:_]\d{2})|" \
                 r"(20\d{2}[-_]\d{1,2}[-_]\d{1,2})"
    comp = re.compile(dt_pattern)
    search_result = comp.search(dt)
    if search_result:
        print(search_result.group(0), search_result.group(1), search_result.group(2), search_result.group(3))
    else:
        print("nothing finded.")

    return dt

然后在匹配dt7的时候，就会打印"nothing finded."。