正则表达式

简介

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个 “规则字符串”，这个 “规则字符串” 用来表达对字符串的一种过滤逻辑。

正则表达式是用来匹配字符串非常强大的工具，在其他编程语言中同样有正则表达式的概念，Python 同样不例外，利用了正则表达式，我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。

正则表达式的大致匹配过程是： 
    1. 依次拿出表达式和文本中的字符比较， 
    2. 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。 
    3. 如果表达式中有量词或边界，这个过程会稍微有一些不同。

正则表达式语法规则

python中正则表达式的匹配规则

 

 

正则表达式相关注解

数量词的贪恋模式与非贪婪模式

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”。 
注：我们一般使用非贪婪模式来提取。

 

反斜杠问题

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”。

 

Python Re 模块

Python 自带了re模块，提供了对正则表达式的支持

方法

#返回pattern对象
re.compile(string[,flag])  
#以下为匹配所用函数
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count])

flags 

七个方法中的 flags 同样是代表匹配模式的意思，如果在 pattern 生成时已经指明了 flags，那么在下面的方法中就不需要传入这个参数了

 

re.compile

re模块中包含一个重要函数是compile(pattern [, flags]) ，该函数根据包含的正则表达式的字符串创建模式对象。可以实现更有效率的匹配。在直接使用字符串表示的正则表达式进行search,match和findall操作时，python会将字符串转换为正则表达式对象。而使用compile完成一次转换之后，在每次使用模式的时候就不用重复转换。当然，使用re.compile()函数进行转换后，re.search(pattern, string)的调用方式就转换为 pattern.search(string)的调用方式。

使用 re.compile

其中，后一种调用方式中，pattern是用compile创建的模式对象。如下:

some_text = 'a,b,,,,c d'
reObj = re.compile('[, ]+')
print(reObj.split(some_text))
# 结果： ['a', 'b', 'c', 'd']

不使用 re.compile

在进行search,match等操作前不适用compile函数，会导致重复使用模式时，需要对模式进行重复的转换。降低匹配速度。而此种方法的调用方式，更为直观。如下:

import re
some_text = 'a,b,,,,c d'
re.split('[, ]+',some_text)
# 结果：['a', 'b', 'c', 'd']

按位或运算符

re.I(全拼：IGNORECASE) # 忽略大小写（括号内是完整写法，下同）
re.M(全拼：MULTILINE) # 多行模式，改变'^'和'$'的行为（参见上图）
re.S(全拼：DOTALL) # 点任意匹配模式，改变'.'的行为
re.L(全拼：LOCALE) # 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
re.U(全拼：UNICODE) # 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
re.X(全拼：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。

 

re.match(pattern, string[, flags])

这个方法将会从 string（我们要匹配的字符串）的开头开始，尝试匹配 pattern，一直向后匹配，如果遇到无法匹配的字符，立即返回 None，如果匹配未结束已经到达 string 的末尾，也会返回 None。两个结果均表示匹配失败，否则匹配 pattern 成功，同时匹配终止，不再对 string 向后匹配。下面我们通过一个例子理解一下

#导入re模块
import re

# 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r'hello')

# 使用re.match匹配文本，获得匹配结果，无法匹配时将返回None
result1 = re.match(pattern,'hello')
result2 = re.match(pattern,'helloo CQC!')
result3 = re.match(pattern,'helo CQC!')
result4 = re.match(pattern,'hello CQC!')

#如果1匹配成功
if result1:
    # 使用Match获得分组信息
    print(result1.group())
else:
    print('1匹配失败！')
#如果2匹配成功
if result2:
    # 使用Match获得分组信息
    print(result2.group())
else:
    print('2匹配失败！')
#如果3匹配成功
if result3:
    # 使用Match获得分组信息
    print(result3.group())
else:
    print('3匹配失败！')
#如果4匹配成功
if result4:
    # 使用Match获得分组信息
    print(result4.group())
else:
    print('4匹配失败！')

结果如下：

hello
hello
3匹配失败！
hello

 

re.search(pattern, string[, flags])

search 方法与 match 方法极其类似，区别在于 match () 函数只检测 re 是不是在 string 的开始位置匹配，search () 会扫描整个 string 查找匹配，match（）只有在 0 位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match () 就返回 None。同样，search 方法的返回对象同样 match () 返回对象的方法和属性。我们用一个例子感受一下

#导入re模块
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 = re.search(pattern,'hello world!')
if match:
    # 使用Match获得分组信息
    print(match.group())
### 输出 ###
# world

 

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。我们通过下面的例子感受一下。

import re

pattern = re.compile(r'\d+')
print(re.split(pattern,'one1two2three3four4'))

### 输出 ###
# ['one', 'two', 'three', 'four', '']

 

re.findall(pattern, string[, flags])

搜索 string，以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下

import re

pattern = re.compile(r'\d+')
print(re.findall(pattern,'one1two2three3four4'))

### 输出 ###
# ['1', '2', '3', '4']

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。我们通过下面的例子来感受一下

import re

pattern = re.compile(r'\d+')
for m in re.finditer(pattern,'one1two2three3four4'):
    print(m.group())

### 输出 ###
# 1 2 3 4

 

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、\g 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。

import re

pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'

print(re.sub(pattern,r'\2 \1', s))

def func(m):
    return (m.group(1).title() + ' ' + m.group(2).title())

print(re.sub(pattern,func, s))

### output ###
# say i, world hello!
# I Say, Hello World!

 

re.subn(pattern, repl, string[, count])

返回 (sub (repl, string [, count]), 替换次数)。

import re

pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print(re.subn(pattern, r'\2 \1', s))

def func(m):
    return (m.group(1).title() + ' ' + m.group(2).title())

print(re.subn(pattern, func, s))

### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

Python Re 模块的另一种使用方式

在上面我们介绍了 7 个工具方法，例如 match，search 等等，不过调用方式都是 re.match，re.search 的方式，其实还有另外一种调用方式，可以通过 pattern.match，pattern.search 调用，这样调用便不用将 pattern 作为第一个参数传入了，大家想怎样调用皆可。 函数 API 列表

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])