Python re标准库

re模块包含对正则表达式的支持。

一、什么是正则表达式

正则表达式是可以匹配文本片段的模式。最简单的正则表达是就是普通字符串，可以匹配其自身。你可以用这种匹配行为搜索文本中的模式，或者用计算后的值替换特定模式，或者将文本进行分段。

1、通配符

点号（.）可以匹配任何字符（除了换行符），但点号只能匹配一个字符，而不是零个或多个；

如.ython可以匹配字符串‘python’或‘jython’，或‘+ython’等等，但是不会匹配‘cpython’或‘ython’；

因为它可以匹配除换行符外的任何单个字符，所以点号就称为通配符。

注：点号是特殊字符，需对它进行转义。可以加上反斜线“cnblogs\.com”或者使用原始字符串“r'cnblogs.com'”；

2、字符集

可以使用中括号括住字符串来创建字符集。字符集可以匹配它所包括的任意字符；

如‘[pj]ython’可以匹配python或jython；比如‘[a-z]’可以匹配a到z的任意一个字符；

也可以通过一个接一个的方式将范围联合起来使用，比如‘[a-zA-Z0-9]’可以匹配任意一个小写或大写字母或0到9的数字；

可以在开头使用‘^’反转字符集，匹配除字符集外的其它字符；如‘[^abc]’可以匹配任何除了ac之外的字符。

3、选择符和子模式

管道符号（|）可以用于选择项；如匹配python和perl，可以写成‘python|perl’

当只是模式的一部分进行选择时，可以使用圆括号括起需要的部分，或称为子模式。如匹配python和perl，可以写成‘p(ython|erl)’

4、可选项和重复子模式

在子模式后面加上句号，它就变成了可选项，即表示子模式可以出现一次或者根本不出现。

如r'(http://)?(www.)?python.org'只能匹配到下列字符串，而不会匹配其它的：

http://python.org

http://www.python.org

www.python.org

python.org

上述例子，值得注意的是：

（1）对www.和python.org之间的点号进行了转义，防止它被作为通配符使用；

（2）使用原始字符串“r”减少所需反斜线的数量；

（3）每个可选子模式都用圆括号括起；

（4）可选子模式出现与否均可，而且互相独立；

使用下面这些运算符允许子模式重复多次：

• （pattern）*：允许模式重复0次或多次；
• (pattern)+：允许模式重复1次或多次；
• (pattern){m,n}：允许模式重复m~n次；

例如，r'w*.python.org'会匹配'www.python.org'，也会匹配'.python.org’；

5、字符串的开始和结尾

如果想在字符串的开头而不是其他位置匹配，可以使用脱字符（^）标记开始；

如‘^ht+p’会匹配‘http://python.org’或'htttp://python.org',但不匹配‘www.http.org’;

使用美元符号（$）标志字符串结尾。

二、re模块的内容

re模块包含一些有用的操作正则表达式的函数：

 

函数re.compile将正则表达式（以字符串书写的）转换为模式对象，可以实现更有效率的匹配。如果调用search或者match函数的时候使用字符串表示的正则表达式，它们也会在内部将字符串转换为正则表达式对象。 使用compile完成一次转换后，在每次使用模式的时候就不用进行转换。

函数re.search会在给定字符串中寻找第一个匹配给定正则表达式的子字符串。一旦找到子字符串，函数就会返回MathObject（值为True），否则返回None（值为False）。

函数re.match会在给定字符串的开头匹配正则表达式。如match('p','python')返回真，而re.match('p','www.python')则返回假。

函数re.split会根据模式的匹配项来分隔字符串。参数maxsplit表示字符串最多可以分隔的次数：

import re

text = 'a,b,,,,c d'
#
#正则表达式中，匹配逗号和空格
listvalue = re.split('[, ]+',text)
print(listvalue) #['a', 'b', 'c', 'd']

print(re.split('o(o)','foobar')) #['f', 'o', 'bar']

print(re.split('[, ]+',text,maxsplit=1)) #['a', 'b,,,,c d']

函数re.findall以列表形式返回给定模式的所有匹配项。

pat = '[a-zA-Z]'
text2 = '"aq," bp,,,,ct rd'
print(re.findall(pat,text2)) #['a', 'q', 'b', 'p', 'c', 't', 'r', 'd']

函数re.sub的作用在于：使用给定的替换内容将匹配模式的子字符串（最左端并且非重叠的子字符串）替换掉。

pat3 = '{name}'
text3 = 'Dear {name}'
print(re.sub(pat3, 'Jame', text3)) #Dear Jame

函数re.escape可以对字符串中所有可能被解释为正则运算符的字符进行转义。

print(re.escape('www.python.org')) #www.python.org

三、匹配对象和组

re模块函数能找到匹配项时，它们会返回MathObject对象，这些对象包括匹配模式的子字符串的信息，它们还包含了哪个模式匹配了子字符串哪部分的信息，这些部分叫做组（group）。

即组就是放置在圆括号内的子模式。组的序号取决于它左侧的括号数。组0就是整个模式。

如在下面的模式中：‘there (was a (wee) (cooper)) who (lived in fyfe)’，包含下面这些组：

0 there was a wee cooper who lived in fyfe

1 was a wee cooper

2 wee

3 cooper

4 lived in fyfe

注：这里要区分前面提到的字符集，字符集两边是用中括号括起的，而组是用原括号括起的。

如r'www.(.+).com$' 可以匹配'www.python.com'；组0就是‘www.python.com’，组1就是python。

re匹配对象存在以下重要方法：

上诉方法中，[group1]指的是组号。如果没有给定组号，则默认为组0.

m = re.match(r'www.(.*)..{3}', 'www.python.org')
print(m.group(1)) #python
print(m.start(1)) #4
print(m.end(1)) #10
print(m.span(1)) #(4, 10)

重复运算符的匹配是贪婪的，即它会尽可能多的匹配。

在重复运算符后面加上一个问号可以变为非贪婪的。

pat4 = r'**(.+?)**'
pat5 = r'**(.+)**'
print(re.sub(pat4,r'<em>1</em>','**this** is **it**!')) #<em>this</em> is <em>it</em>!
print(re.sub(pat5,r'<em>1</em>','**this** is **it**!')) #<em>this** is **it</em>!

这里用+？运算符代替了+，意味着模式也会像之前那样对一个或者多个通配符进行匹配，但是它会进行尽可能少的匹配，因为它是非贪婪的。

让正则表达式变得更加易读的方式是在re函数中使用VERBOSE标志：

em_pat = re.compile(r'''
    * #匹配的第一个字符是星号 
    * #匹配的第二个字符是星号，这里前面斜杠是转义
    ( #匹配组左侧圆括号
    . #匹配任意字符
    + #任意字符可以是1个或多个
    ) #匹配组右侧括号
    ** #匹配的字符后面跟着两个星号
''',re.VERBOSE)
print(re.sub(em_pat,r'<em>1</em>','**this** is **it**!')) #<em>this** is **it</em>!

四、实例

文件中存在以下文字：

From foo@bar.baz Thu Dec

Subjec:Re:Span

From:Foo fie <foo@bar.baz>

to:Magnus <magnus@bozz.floop>

现在要从文件中找出是谁发送的邮件，我们可以在‘From:Foo fie <foo@bar.baz>’中找到发件人Foo fie.实现查找：

pat6 = re.compile('From:(.*) <.*?>$')
for line in fileinput.input():
    m = pat6.match(line)
    if m:print m.group(1)

本文主要摘自《Python基础教程》一书

持续学习中，，，