python正则表达式

1. 正则表达式基础

1.1. 简介

正則表達式并非Python的一部分。正則表達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，在提供了正則表達式的语言里，正則表達式的语法都是一样的，差别仅仅在于不同的编程语言实现支持的语法数量不同；但不用操心，不被支持的语法一般是不经常使用的部分。假设已经在其它语言里使用过正則表達式，仅仅须要简单看一看就能够上手了。

下图展示了使用正則表達式进行匹配的流程：  

正則表達式的大致匹配过程是：依次拿出表达式和文本中的字符比較。假设每个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。

假设表达式中有量词或边界，这个过程会略微有一些不同。但也是非常好理解的，看下图中的演示样例以及自己多使用几次就能明确。

下图列出了Python支持的正則表達式元字符和语法：   

1.2. 数量词的贪婪模式与非贪婪模式

正則表達式通经常使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。比如：正則表達式"ab*"假设用于查找"abbbc"。将找到"abbb"。

而假设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，正則表達式里使用""作为转义字符，这就可能造成反斜杠困扰。

假如你须要匹配文本中的字符""，那么使用编程语言表示的正則表達式里将须要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則表達式里转义成一个反斜杠。Python里的原生字符串非常好地攻克了这个问题。这个样例中的正則表達式能够使用r"\"表示。

相同，匹配一个数字的"\d"能够写成r"d"。有了原生字符串。你再也不用操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

正則表達式提供了一些可用的匹配模式，比方忽略大写和小写、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. 開始使用re

Python通过re模块提供对正則表達式的支持。

使用re的一般步骤是先将正則表達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，进行其它的操作。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

# encoding: UTF-8 import re   # 将正則表達式编译成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]): 

这种方法是Pattern类的工厂方法。用于将字符串形式的正則表達式编译为Pattern对象。

第二个參数flag是匹配模式，取值能够使用按位或运算符'|'表示同一时候生效，比方re.I | re.M。

另外，你也能够在regex字符串中指定模式。比方re.compile('pattern', re.I | re.M)与re.compile('(?

im)pattern')是等价的。 
可选值有： 

• re.I(re.IGNORECASE): 忽略大写和小写（括号内是完整写法，下同） 
• M(MULTILINE): 多行模式，改变'^'和'$'的行为（參见上图） 
• S(DOTALL): 点随意匹配模式，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): 具体模式。这个模式下正則表達式能够是多行。忽略空白字符。并能够增加凝视。下面两个正則表達式是等价的： 

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毕正則表達式的功能。这些方法能够使用Pattern实例的对应方法替代，唯一的优点是少写一行re.compile()代码。但同一时候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。如上面这个样例能够简写为：

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中的正則表達式元字符如*/+/?等之前加上转义符再返回，在须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。包括了非常多关于此次匹配的信息。能够使用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: 文本中正則表達式開始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名參数同样。 
4. endpos: 文本中正則表達式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名參数同样。 
5. lastindex: 最后一个被捕获的分组在文本中的索引。假设没有被捕获的分组，将为None。

    

6. lastgroup: 最后一个被捕获的分组的别名。假设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；指定多个參数时将以元组形式返回。group1能够使用编号也能够使用别名。编号0代表整个匹配的子串；不填写參数时。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]): 
   以元组形式返回所有分组截获的字符串。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，默觉得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，没有别名的组不包括在内。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中能够使用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将被觉得是第10个分组，假设你想表达1之后是字符'0'，仅仅能使用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則表達式，通过Pattern提供的一系列方法能够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、以该组相应的编号为值的字典。没有别名的组不包括在内。 

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]): 
   这种方法将从string的pos下标处起尝试匹配pattern；假设pattern结束时仍可匹配，则返回一个Match对象。假设匹配过程中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()无法指定这两个參数，參数flags用于编译pattern时指定匹配模式。

    
   注意：这种方法并非全然匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要全然匹配，能够在表达式末尾加上边界匹配符'$'。 
   演示样例參见2.1小节。 

2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
   这种方法用于查找字符串中能够匹配成功的子串。

   从string的pos下标处起尝试匹配pattern，假设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后又一次尝试匹配；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()无法指定这两个參数，參数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   # 将正則表達式编译成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 # 这个样例中使用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]): 
   依照可以匹配的子串将string切割后返回列表。maxsplit用于指定最大切割次数，不指定将所有切割。

    
   

   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，以列表形式返回所有能匹配的子串。 
   

   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。返回一个顺序訪问每个匹配结果（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。能够使用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，这种方法应当仅仅接受一个參数（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，不指定时所有替换。

    
   

   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对于正則表達式的支持。熟练掌握正則表達式是每个程序猿必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于0基础阶段，与君共勉。^_^

另外，图中的特殊构造部分没有举出样例，用到这些的正則表達式是具有一定难度的。有兴趣能够思考一下，怎样匹配不是以abc开头的单词，^_^

版权声明：本文博主原创文章，博客，未经同意不得转载。