LOADING

加载过慢请开启缓存 浏览器默认开启

python正则表达式处理信息

2025/5/14 编程实战 python 正则表达式 数据处理

正则表达式基本语法详解

正则表达式(Regular Expression)是一种强大的文本模式匹配工具，下面将详细介绍其基本语法和常用元字符。

1. 基本匹配

  • 字面字符：大多数字符（字母、数字）直接匹配自身
    • a 匹配字符 “a”
    • 1 匹配数字 “1”
  • 特殊字符（需要转义）：. ^ $ * + ? { } [ ] \ | ( )
    • 要匹配这些字符本身，需要加反斜杠转义，如 \. 匹配点号

2. 常用元字符

元字符 描述
. 匹配任意单个字符（除了换行符）
\d 匹配数字，等价于 [0-9]
\D 匹配非数字，等价于 [^0-9]
\w 匹配单词字符（字母、数字、下划线），等价于 [a-zA-Z0-9_]
\W 匹配非单词字符
\s 匹配空白字符（空格、制表符、换行符等）
\S 匹配非空白字符
\b 匹配单词边界
\B 匹配非单词边界

3. 字符类 []

  • [abc] 匹配 “a”、”b” 或 “c”
  • [a-z] 匹配任何小写字母
  • [0-9] 匹配任何数字
  • [^abc] 匹配不是 “a”、”b” 或 “c” 的任何字符

4. 量词（重复）

量词 描述
* 匹配前一个元素零次或多次
+ 匹配前一个元素一次或多次
? 匹配前一个元素零次或一次
{n} 匹配前一个元素恰好 n 次
{n,} 匹配前一个元素至少 n 次
{n,m} 匹配前一个元素至少 n 次，但不超过 m 次

5. 位置锚点

锚点 描述
^ 匹配字符串的开头（多行模式下匹配行首）
$ 匹配字符串的结尾（多行模式下匹配行尾）

6. 分组与捕获 ()

  • (abc) 将多个字符组合为一个单元，并可捕获匹配的文本
  • (?:abc) 非捕获分组，只分组不捕获

7. 或操作 |

  • a|b 匹配 “a” 或 “b”

8. 转义字符 \

  • \. 匹配字面点号
  • \\ 匹配反斜杠
  • \n 匹配换行符
  • \t 匹配制表符

示例应用

import re

# 匹配日期格式 YYYY-MM-DD
date_pattern = r'\d{4}-\d{2}-\d{2}'
text = "日期：2023-05-20，另一个日期：2024-01-15"
dates = re.findall(date_pattern, text)  # ['2023-05-20', '2024-01-15']

# 匹配邮箱地址
email_pattern = r'[\w.-]+@[\w.-]+\.\w+'
emails = re.findall(email_pattern, "联系我：user@example.com 或 support@test.org")

# 提取HTML标签内容
html = "<div>内容1</div><p>内容2</p>"
contents = re.findall(r'<[^>]+>(.*?)</[^>]+>', html)  # ['内容1', '内容2']

9. 修饰符（标志）

修饰符 描述
re.I 或 re.IGNORECASE 忽略大小写
re.M 或 re.MULTILINE 多行模式，使 ^ 和 $ 匹配每行的开头和结尾
re.S 或 re.DOTALL 使 . 匹配包括换行符在内的所有字符 
# 使用修饰符
text = "Python is great\nPYTHON is powerful"
matches = re.findall(r'^python', text, re.I | re.M)  # ['Python', 'PYTHON']

10.示例使用

提取html内容

import re

html = """
<div class="content">
    <h1>标题</h1>
    <p>第一段内容</p>
    <p class="special">特殊段落</p>
</div>
"""

# 提取所有段落内容
paragraphs = re.findall(r'<p.*?>(.*?)</p>', html)
print("段落内容:", paragraphs)  # ['第一段内容', '特殊段落']

# 提取带class的标签内容
special_content = re.findall(r'<p\s+class=".*?">(.*?)</p>', html)
print("特殊段落:", special_content)  # ['特殊段落']

提取日志信息

log_data = """
192.168.1.1 - - [10/Oct/2023:13:55:36 +0800] "GET /index.html"
10.0.0.2 - - [10/Oct/2023:13:56:12 +0800] "POST /login"
"""

# 提取IP和完整时间
matches = re.findall(r'(\d+\.\d+\.\d+\.\d+).*?$$(.*?)$$', log_data)
for ip, timestamp in matches:
    print(f"IP: {ip}, 时间: {timestamp}")

# 提取日期和时间部分
date_times = re.findall(r'\[(\d{2}/\w+/\d{4}):(\d{2}:\d{2}:\d{2})', log_data)
for date, time in date_times:
    print(f"日期: {date}, 时间: {time}")

提取中文和标点符号

text = "Python是一种面向对象的解释型计算机程序设计语言，由Guido van Rossum于1989年发明。"

# 提取所有中文字符
chinese_chars = re.findall(r'[\u4e00-\u9fa5]', text)
print("中文字符:", chinese_chars)

# 提取中文段落（包含标点）
chinese_passage = re.findall(r'[\u4e00-\u9fa5，。、；：？！""''（）【】]+', text)
print("中文段落:", chinese_passage)

# 提取中英文混合的专有名词
mixed_terms = re.findall(r'[a-zA-Z]+（[\u4e00-\u9fa5]+）', text)
print("混合术语:", mixed_terms)  # ['Python']