• Python正则表达式指南

    转载自  AstralWind 老师   https://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

    本文介绍了Python对于正则表达式的支持，包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例。本文的内容不包括如何编写高效的正则表达式、如何优化正则表达式，这些主题请查看其他教程。

    注意：本文基于Python2.4完成；如果看到不明白的词汇请记得百度谷歌或维基，whatever。

    尊重作者的劳动，转载请注明作者及原文地址 >.<html

    1. 正则表达式基础

    1.1. 简单介绍

    正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

    下图展示了使用正则表达式进行匹配的流程：
    re_simple

    正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。

    下图列出了Python支持的正则表达式元字符和语法：  
    pyre

    1.2. 数量词的贪婪模式与非贪婪模式

    正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。

    1.3. 反斜杠的困扰

    与大多数编程语言相同，正则表达式里使用""作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符""，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\"表示。同样，匹配一个数字的"\d"可以写成r"d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

    1.4. 匹配模式

    正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。

    2. re模块

    2.1. 开始使用re

    Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    # encoding: UTF-8
    import re
     
    # 将正则表达式编译成Pattern对象
    pattern = re.compile(r'hello')
     
    # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
    match = pattern.match('hello world!')
     
    if match:
        # 使用Match获得分组信息
        print match.group()
     
    ### 输出 ###
    # hello

    re.compile(strPattern[, flag]):

    这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。
    可选值有：

    • re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
    • M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
    • S(DOTALL): 点任意匹配模式，改变'.'的行为
    • L(LOCALE): 使预定字符类 w W  B s S 取决于当前区域设定
    • U(UNICODE): 使预定字符类 w W  B s S d D 取决于unicode定义的字符属性
    • X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：
    ?
    1
    2
    3
    4
    a = re.compile(r"""d +  # the integral part
                       .    # the decimal point
                       d *  # some fractional digits""", re.X)
    b = re.compile(r"d+.d*")

    re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

    ?
    1
    2
    m = re.match(r'hello', 'hello world!')
    print m.group()

    re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

    2.2. Match

    Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

    属性：

    1. string: 匹配时使用的文本。
    2. re: 匹配时使用的Pattern对象。
    3. pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
    4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
    5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
    6. lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

    方法：

    1. group([group1, …]):
      获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
    2. groups([default]):
      以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
    3. groupdict([default]):
      返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
    4. start([group]):
      返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
    5. end([group]):
      返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
    6. span([group]):
      返回(start(group), end(group))。
    7. expand(template):
      将匹配到的分组代入template中然后返回。template中可以使用id或g<id>、g<name>引用分组，但不能使用编号0。id与g<id>是等价的；但10将被认为是第10个分组，如果你想表达1之后是字符'0'，只能使用g<1>0。
    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    import re
    m = re.match(r'(w+) (w+)(?P<sign>.*)', 'hello world!')
     
    print "m.string:", m.string
    print "m.re:", m.re
    print "m.pos:", m.pos
    print "m.endpos:", m.endpos
    print "m.lastindex:", m.lastindex
    print "m.lastgroup:", m.lastgroup
     
    print "m.group(1,2):", m.group(1, 2)
    print "m.groups():", m.groups()
    print "m.groupdict():", m.groupdict()
    print "m.start(2):", m.start(2)
    print "m.end(2):", m.end(2)
    print "m.span(2):", m.span(2)
    print r"m.expand(r'2 13'):", m.expand(r'2 13')
     
    ### output ###
    # m.string: hello world!
    # m.re: <_sre.SRE_Pattern object at 0x016E1A38>
    # m.pos: 0
    # m.endpos: 12
    # m.lastindex: 3
    # m.lastgroup: sign
    # m.group(1,2): ('hello', 'world')
    # m.groups(): ('hello', 'world', '!')
    # m.groupdict(): {'sign': '!'}
    # m.start(2): 6
    # m.end(2): 11
    # m.span(2): (6, 11)
    # m.expand(r'2 13'): world hello!

    2.3. Pattern

    Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

    Pattern不能直接实例化，必须使用re.compile()进行构造。

    Pattern提供了几个可读属性用于获取表达式的相关信息：

    1. pattern: 编译时用的表达式字符串。
    2. flags: 编译时用的匹配模式。数字形式。
    3. groups: 表达式中分组的数量。
    4. groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    import re
    p = re.compile(r'(w+) (w+)(?P<sign>.*)', re.DOTALL)
     
    print "p.pattern:", p.pattern
    print "p.flags:", p.flags
    print "p.groups:", p.groups
    print "p.groupindex:", p.groupindex
     
    ### output ###
    # p.pattern: (w+) (w+)(?P<sign>.*)
    # p.flags: 16
    # p.groups: 3
    # p.groupindex: {'sign': 3}

    实例方法[ | re模块方法]：

    1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
      这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
      pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
      注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。
      示例参见2.1小节。
    2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
      这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
      pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
      ?
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      # encoding: UTF-8
      import re
       
      # 将正则表达式编译成Pattern对象
      pattern = re.compile(r'world')
       
      # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
      # 这个例子中使用match()无法成功匹配
      match = pattern.search('hello world!')
       
      if match:
          # 使用Match获得分组信息
          print match.group()
       
      ### 输出 ###
      # world
    3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
      按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。
      ?
      1
      2
      3
      4
      5
      6
      7
      import re
       
      p = re.compile(r'd+')
      print p.split('one1two2three3four4')
       
      ### output ###
      # ['one', 'two', 'three', 'four', '']
    4. findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
      搜索string，以列表形式返回全部能匹配的子串。
      ?
      1
      2
      3
      4
      5
      6
      7
      import re
       
      p = re.compile(r'd+')
      print p.findall('one1two2three3four4')
       
      ### output ###
      # ['1', '2', '3', '4']
    5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
      搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
      ?
      1
      2
      3
      4
      5
      6
      7
      8
      import re
       
      p = re.compile(r'd+')
      for m in p.finditer('one1two2three3four4'):
          print m.group(),
       
      ### output ###
      # 1 2 3 4
    6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
      使用repl替换string中每一个匹配的子串后返回替换后的字符串。
      当repl是一个字符串时，可以使用id或g<id>、g<name>引用分组，但不能使用编号0。
      当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
      count用于指定最多替换次数，不指定时全部替换。
      ?
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      import re
       
      p = re.compile(r'(w+) (w+)')
      s = 'i say, hello world!'
       
      print p.sub(r'2 1', s)
       
      def func(m):
          return m.group(1).title() + ' ' + m.group(2).title()
       
      print p.sub(func, s)
       
      ### output ###
      # say i, world hello!
      # I Say, Hello World!
    7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
      返回 (sub(repl, string[, count]), 替换次数)。
      ?
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      import re
       
      p = re.compile(r'(w+) (w+)')
      s = 'i say, hello world!'
       
      print p.subn(r'2 1', s)
       
      def func(m):
          return m.group(1).title() + ' ' + m.group(2).title()
       
      print p.subn(func, s)
       
      ### output ###
      # ('say i, world hello!', 2)
      # ('I Say, Hello World!', 2)

    以上就是Python对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^

    另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下，如何匹配不是以abc开头的单词，^_^

    全文结束

     
     
    237
    0
     
     
     
    « 上一篇： Python线程指南
    » 下一篇： Python字符编码详解
  • 相关阅读:
    jni java与c++交互返回三维数组jobjectArray
    Android开发之EditText 详解(addTextChangedListener监听用户输入状态)
    Android JNI和NDK学习(09)--JNI实例二 传递类对象
    JavaDoc的生成规则---ShinePans
    Android 电话自己主动接听和挂断具体解释
    传统线程技术（一）
    Linux内核启动及根文件系统载入过程
    eclipse、MyEclipse实现批量改动文件编码
    菜鸟开发—应具备的搜索技巧
    Java之GUI编程（一）
  • 原文地址：https://www.cnblogs.com/Ge-Zsj/p/12523437.html
Copyright © 2020-2023  润新知