Python的正则表达式

Python Regular Expressions （Python 正则表达式）

本文来自于Google Developers中对于Python的介绍。https://developers.google.com/edu/python/regular-expressions。

这篇文章使用 Markdown 写成。

认识正则表达式

Python的正则表达式是使用 re 模块的。

match = re.search(pattern,str)
if match:
    print 'found',match.group()
else:
    print 'NOT Found!'

正则表达式的规则

基本规则

• a, x, 9 都是普通字符 (ordinary characters)
• . (一个点)可以匹配任何单个字符（除了' '）
• w（小写的w）可以匹配一个单词里面的字母，数字或下划线 [a-zA-Z0-9_];W （大写的W）可以匹配非单词里的这些元素
•  匹配单词与非单词的分界
• s（小写的s）匹配一个 whitespace character，包括 space，newline，return，tab，form( f)；S（大写的S）匹配一个非 whitespace character
• d 匹配十进制数字 [0-9]
• ^=start，$=end 用来匹配字符串的开始和结束
• 是转义字符，用 . 来匹配串里的'.'，等

一些基本的例子

## 在字符串'piiig'中查找'iii'
match = re.search(r'iii', 'piiig') =>  found, match.group() == "iii"
match = re.search(r'igs', 'piiig') =>  not found, match == None

## . 匹配除了
的任意字符
match = re.search(r'..g', 'piiig') =>  found, match.group() == "iig"

## d 匹配0-9的数字字符, w 匹配单词里的字符
match = re.search(r'ddd', 'p123g') =>  found, match.group() == "123"
match = re.search(r'www', '@@abcd!!') =>  found, match.group() == "abc"

重复

可以用'+' '*' '?'来匹配0个，1个或多个重复字符。

• '+' 用来匹配1个或者多个字符
• '*' 用来匹配0个或者多个字符
• '?' 用来匹配0个或1个字符

注意，'+'和'*'会匹配尽可能多的字符。

一些重复字符的例子

## i+  匹配1个或者多个'i'
match = re.search(r'pi+', 'piiig') =>  found, match.group() == "piii"

## 找到字符串中最左边尽可能长的模式。
## 注意，并没有匹配到第二个 'i+'
match = re.search(r'i+', 'piigiiii') =>  found, match.group() == "ii"

## s*  匹配0个或1个空白字符 whitespace
match = re.search(r'ds*ds*d', 'xx1 2   3xx') =>  found, match.group() == "1 2   3"
match = re.search(r'ds*ds*d', 'xx12  3xx') =>  found, match.group() == "12  3"
match = re.search(r'ds*ds*d', 'xx123xx') =>  found, match.group() == "123"

## ^ 匹配字符串的第一个字符
match = re.search(r'^bw+', 'foobar') =>  not found, match == None
## 与上例对比
match = re.search(r'bw+', 'foobar') =>  found, match.group() == "bar"

Email

考虑一个典型的Email地址：someone@host.com，可以用如下的方式匹配：

match = re.search(r'w+@w+',str)

但是，对于这种Email地址 'xyz alice-b@google.com purple monkey' 则不能奏效。

使用方括号

方括号里面的字符表示一个字符集合。[abc]可以被用来匹配'a'或者'b'或者'c'。w s等都可以用在方括号里，除了'.'以外，它只能用来表示字面意义上的‘点’。所以上面的Email规则可以扩充如下：

match = re.search('r[w.-]+@[w.-]+',str)

你还可以使用'-'来指定范围，如[a-z]指示的是所有小写字母的集合。所以如果你想构造的字符集合中有'-'，请把它放到末尾[ab-]。另外，前方加上'^'，用来表示取集合的补集，例如[^ab]表示除了'a'和'b'之外的其他字符。

操作

以Email地址为例，如果我们想要分别提取该地址的用户名'someone'和主机名'host.com'该怎么办呢？可以在模式中用圆括号指定。

  str = 'purple alice-b@google.com monkey dishwasher'
  match = re.search('([w.-]+)@([w.-]+)', str)   #用圆括号指定分割
  if match:
    print match.group()   ## 'alice-b@google.com' (the whole match)
    print match.group(1)  ## 'alice-b' (the username, group 1)
    print match.group(2)  ## 'google.com' (the host, group 2)

findall 函数

与group函数只找到最左端的一个匹配不同，findall函数找到字符串中所有与模式匹配的串。

  str = 'purple alice@google.com, blah monkey bob@abc.com blah dishwasher'

  ## findall返回一个包含所有匹配结果的 list
  emails = re.findall(r'[w.-]+@[w.-]+', str) ## ['alice@google.com', 'bob@abc.com']
  for email in emails:
    print email

在文件中使用findall

当然可以读入文件的每一行，然后对每一行的内容调用findall，但是为什么让这一切自动发生呢？

f = open(filename.txt,'r')
matches = re.findall(pattern,f.read())

findall 和分组

和group的用法相似，也可以指定分组。

str = 'purple alice@google.com, blah monkey bob@abc.com blah dishwasher'
##　返回了一个list
tuples = re.findall(r'([w.-]+)@([w.-]+)', str)
print tuples  ## [('alice', 'google.com'), ('bob', 'abc.com')]
##　list中的元素是tuple 
for tuple in tuples:
  print tuple[0]  ## username
  print tuple[1]  ## host

调试

正则表达式异常强大，使用简单的几条规则就可以演变出很多的模式组合。在确定你的模式之前，可能需要很多的调试工作。在一个小的测试集合上测试正则表达式。

其他选项

正则表达式还可以设置“选项”。

match = re.search(pat,str,opt)

这些可选项如下：

• IGNORECASE 忽视大小写
• DOTALL 允许'.'匹配' '
• MULTILINE 在一个由许多行组成的字符串中，允许'^'和'$'匹配每一行的开始和结束