python中的正则表达式---生信修炼手册

则表达式， 是一门独立的搜索和匹配字符串的语言，只不过在各种编程语言中得到了实现，其中perl语言的正则表达式堪称是范本，很多其他编程语言都参考perl的正则语法来实现。python中的正则表达式通过内置模块re来实现，与perl的正则表达式操作类似，如果你熟悉perl语言的话，对于python的正则也可以轻松上手。

基本用法如下

>>> a = re.search(r'c','abc123') >>> a <re.Match object; span=(2, 3), match='c'>

其中r前缀指定的字符串称之为正则表达式的pattern, 后面是需要待匹配的字符串，正则的搜索引擎会从字符串的开头进行查找，来找出符合条件的字符， 上述例子从字符串abc123的开头进行查找，查找特定的字符c。

对于正则表达式，有以下几个基础概念

1. 字符集

正则的基本作用是匹配字符串，在开头的例子中用指定字符来进行匹配，这样无疑更加精确，但是缺少灵活性，比如匹配以下两个字符中的数字

abc123 abc456

如果用指定数字的方式来匹配，上述两个字符的匹配就要写成两种

re.search(r’123’,’abc123’) re.search(r’456’,’abc456’)

这样显然太局限了，为了更加通用，提出了字符集的概念，事先定义了几种匹配常用字符的字符集

d , 匹配一个0到9之间的数字w, 匹配数字，字母，下划线中的任意一个字符s, 匹配任意一个空白字符，即rbntf中的任意一个，D , 匹配任意一个非数字的字符W, 匹配任意一个非数字，字母，下划线中的字符`S, 匹配任意一个非空白字符., 点号，默认匹配任意一个非换行符的字符

对应的字符大写之后，可以看做相反的集合。另外，也支持通过方括号来自定义字符集合，用法如下

# 相当于d [0-9] # 相当于w [A-Za-z0-9_] # 相当于s [rntf]

用字符集再来匹配上述例子，写法如下

re.search(r’ddd’,’abc123’) re.search(r’ddd’,’abc456’)

这样用同一个正则就可以了。

2. 量词

从基本用法也可以看出，默认情况下，一个字符集只匹配一个字符，为了匹配变长的情况，比如匹配以下两个字符串中的数字

abc123 abc1234

在正则的pattern后面可以添加量词，控制正则匹配的次数，常用的量词如下

*匹配0或者任意次+匹配1或者任意次?匹配0到1次{m}, 匹配m次{m} : 匹配m次以以上{m,n}:匹配m到n次

用量词，上述匹配写法如下

re.search(r’d+’,’abc123’) re.search(r’d+’,’abc1234’)

用了量词之后，更加通用。默认情况下，量词为贪婪匹配，即匹配最长的符合模式的字符，看下面的例子

>>> re.search(r'[w;]+;','abc;123;123') <re.Match object; span=(0, 8), match='abc;123;'>

用了加号的情况下，匹配到了第二个分号，此时如果只需要匹配到第一个分号，我们可以在量词的后面添加?, 使其变为非贪婪匹配，写法如下

>>> re.search(r'[w;]+?;','abc;123;123') <re.Match object; span=(0, 4), match='abc;'>

可以看到，在非贪婪匹配中，遇到第一个符合模式的字符，程序就停止了，不会继续往后查找，而默认的贪婪模式会接着往下检索。

3. 位置限定符

默认情况下，正则从字符串开头进行检索，寻找任意位置符合模式的字符。但有时我们需要匹配字符的位置进行限定，比如匹配以下字符串末尾的数字

123abc123

此时，我们就需要用到位置限定符号，也叫做锚定符，常用的如下

^匹配字符串开头$匹配字符串末尾A匹配字符串开头Z匹配字符串末尾b, 单词的边界B, 非单词的边界

用锚定符，上述匹配的写法如下

re.search(r’d+$’,’123abc123’)

4. 模式修饰符

修饰符影响正则的匹配行为，常用的修饰符如下

re.I, 不区分大小写的匹配re.S, 此时点号也可以匹配换行符re.M, 多行匹配

修饰符的用法示意如下

re.search(r’ABC’,’123abc’, re.I)

除了上述写法，也支持以下写法

re.search(r’(?i)ABC’,’123abc’) re.search(r’(?i:ABC)’,’123abc’)

在圆括号中的问号后面添加修饰符，i对应re.I。正则表达式在实际开发中常见用途如下

1. 条件判断

查看字符串是否匹配特定模式， 常用作逻辑判断语句，用法如下

if re.search(r'd+','abc123'): print("success") else: print("failed")2. 提取符合模式的字符串

通过在模式的两端添加圆括号，可以捕获对应的字符，用法如下

# 在正则中使用圆括号进行捕获 >>> re.search(r'(abc)(123)','abc123') <re.Match object; span=(0, 6), match='abc123'> # groups函数返回捕获元素的元组 >>> re.search(r'(abc)(123)','abc123').groups() ('abc', '123') # group函数默认值为0 >>> re.search(r'(abc)(123)','abc123').group() 'abc123' # 下标0返回原始待匹配字符串 >>> re.search(r'(abc)(123)','abc123').group(0) 'abc123' # 下标1返回第一个捕获的字符串 >>> re.search(r'(abc)(123)','abc123').group(1) 'abc'“” # 下标2返回第二个捕获的字符串 >>> re.search(r'(abc)(123)','abc123').group(2) '123'3, 替换特定字符串

通过re.sub函数来特换特定字符串，用法如下

>>> re.sub(r'abc', 'ABC', 'abc123abc') 'ABC123ABC' >>> re.sub(r'abc', 'ABC', 'abc123abc', count = 1) 'ABC123abc'

返回值为替换后的字符串，count参数控制替换的次数，默认值为0，表示全部替换。除此之外，还有一个re.subn函数，返回值为替换后的字符串和替换次数构成的元组，用法如下

>>> re.subn(r'abc', 'ABC', 'abc123abc') ('ABC123ABC', 2)3. 灵活的分隔字符串

字符串自带的split方法只允许以固定字符分隔字符串，用re.split函数，可以用正则来分隔字符串，更加灵活，用法如下

>>> re.split(r'[:=]', 'A=B:C') ['A', 'B', 'C']4. 查找特定字符串

通过re.findall函数，查找所有符合模式的字符串，用法如下

>>> re.findall(r'd+', '123abc123abc123') ['123', '123', '123']

返回值为一个列表，与之对应的还有一个re.finditer函数，返回值为迭代器，用法如下

>>> number = re.finditer(r'd+', '123abc123abc123') >>> for i in number: ... print(i.group()) ... 123 123 123

除了常用的re.search函数外，还有一个re.match函数，该函数只支持从字符串开头进行匹配，示意如下

# 数字不在开头，没有结果 >>> re.match(r'd+', 'abc123') # 在开头有数字，给出匹配结果 >>> re.match(r'd+', '123abc') <re.Match object; span=(0, 3), match='123'> # search更加灵活 >>> re.search(r'd+', 'abc123') <re.Match object; span=(3, 6), match='123'>

可以看出，相比search, match自动在正则的开始添加^锚定符号，其他行为二者是一样的。

---来自腾讯云社区的---生信修炼手册