Python学习之路（33）——正则表达式re模块

re模块提供与Perl中类似的正则表达式匹配操作。

其中，被搜索的模式和字符串都可以是Unicode字符串以及8-bit字符串。但是，在匹配时，Unicode字符串和8-bit字符串不能混用在一起（因为，不能使用字节模式去匹配字Unicode字符串，反之亦然。）；相似的，当准备做替换操作时，替换的字符串或模式也一定要和被替换的字符串或模式一致。

正则表达式使用反斜杠字符'\'表示特殊形式或允许使用特殊字符，而不调用期特殊意义。这与Python在字符串文字中用于相同目的的相同字符的使用相冲突：例如为了匹配字面值的反斜杠，必须以'\\\\'作为模式字符串，因为正则表达式必须是\\，每个反斜杠必须在常规Python字符串字面值内表示为\\。

现在可以用Python原始字符串符号的正则表达式模式来解决上面的繁琐处理方式：不以任何特殊方式在字符串字面值中以'r'前缀处理反斜杠。比如r"\n"表示'\'和'n'两个字符。所以通常在Python代码中，使用原始字符串表示模式。

一、正则表达式语法

正则表达式（或RE）指定一组字符串匹配它。

正则表达式可以包含特殊或普通字符。比如'A','a','0'，是最简单的正则表达式（只与自己本身相匹配）；某些字符是含有特殊意义的，要么表示一个类别的普通字符，要么影响它们周伟的正则表达式如何解释。

以下介绍一些最常用到的：

1、特殊字符：

'.'：（点号）在默认模式下，匹配除换行符外的任何字符。当re.DOTALL标记被指定时，则可以匹配包括换行符的任何字符。

'^'：（脱字符号）从字符串的开始匹配，在MULTILINE模式下每个换行符后面立即开始匹配。

'$'：匹配字符串的结果或只是之前换行符结尾的字符串，并在MULTILINE模式下也匹配在换行符之前。（比如，foo匹配'foo'和'foobar'，而foo$仅匹配'foo'；正常情况下foo.$在'foo1\nfoo2\n'中只匹配foo2，但在MULTILINE模式下foo1也能匹配到；单独使用$在'foo\n'中可以得到2个空的匹配，一个在新行之前，一个在字符串foo之后）

'*'：匹配前面重复出现的正则表达式0次或多次。（ab*可以匹配a，ab，abbbbbbb...）

'+'：匹配前面重复出现的正则表达式1次或多次。（ab+可以匹配ab，abbbbbb....，但不能匹配a）

'?'：匹配前面重复出现的正则表达式0次或1次。（ab?将只能匹配a，ab）

*?,+?,??：'*'，'+'，'?'都是贪婪模式（尽可能多的匹配）。如果不希望匹配多次，可以加上?限定符使得匹配为非贪婪模式或者最小匹配，尽可能少的字符被匹配。

{m}：精确指定RE应该匹配m次，少于m次将导致RE不会被匹配上。

{m,n}：匹配前面重复出现的正则表达式m到n次，尽可能多的匹配。可以单独省略m或n，表示无下限和无上限，但是逗号不可以省略。

{m,n}?：匹配前面重复出现的正则表达式m到n次，尽可能少的匹配。（比如6个字符的字符串'aaaaaa'，a{3,5}匹配得到5个'a'的字符串'aaaaa'，而a{3,5}?只能匹配到3个'a'的字符'aaa'）

'\'：消除特殊字符含义（允许匹配'*'、'?'这样的特殊字符）

[]：表示一个字符集合。这里集合里：

• 字符可以单独罗列（[amk]会匹配'a'、'm'、'k'）
• 字符范围可以通过两个字符和它们之间的'-'表明（[z]将匹配任何小写字母的ASCII字母，[0-5][0-9]强匹配00-59；如果分隔符'-'被反斜杠转义，或者放在[]内的第一个或最后一个字符，则只作为'-'匹配）
• 在[]集合内的特殊字符失去意义（[(+*?)]将匹配'('、'+'，'*'，'?'或')'）
• 补集：[]集合内的第一个字符是'^'的话，那么所有不在集合内的将被匹配上（[^5]将匹配除5一位的任意字符，而如果'^'不在集合内是第一个字符的话，仅匹配自己，没有特殊意义）
• 想要在一个集合内匹配']'，需要在它前面使用一个反斜杠进行转义，或者在其作为集合内开头的字符（比如[()[\]{}]和[]()[{}]将匹配括号字符

'|'：RE1|RE2，将匹配A或B的正则表达式。注意，当扫描目标字符串时，从座到右尝试匹配这些被'|'分隔的正则表达式，一旦一个模式被完全匹配时，后面的模式就不会尝试匹配了。

(...)：匹配括号内的任何正则表达式，并指明组的开始和结束；可以在执行匹配后检索组的内容，并可以稍后再字符串中与\number特殊序列匹配。匹配字面上的'('或')'，可以使用\(or\)或[(][)]。 

2、特殊序列

\number：匹配相对应组号的内容。组号从1开始（例如，(.+) \1匹配'the the'或者'55 55'）。该特殊序列智能用于匹配前99个组中的一个。如果第一个数字是0或者是3个八进制数，则不会将其解释为组匹配，而是具有八进制数值的字符。在字符类[]的内部，所有数字都被视为字符。

\A：仅仅匹配字符串开头

\b：仅仅匹配单子的开头或结尾。单子被定义为由Unicode字母数字或下划线组成的序列，因此单词的结果由空格、非字母数字或非下划线Unicode字符表示。注意，\b被定义为\w和\W字符之间的界限（反之亦然），或\w和字符串的开始\结尾之间的界限（例如r'\bfoo \b'匹配'foo'、'foo.'、'(foo)'、'bar foo baz'，但不匹配'foobar'或'foo3'）。

• 默认情况下，Unicode字符数字就是字符数字，但是可以通过ASCII标志位来更改。在字符范围内，\b表示退格，以便与Python的字符串文本兼容。

\B：匹配一个单子不在开头或结尾的字符（例如r'py\B'匹配'python'、'py3'、'py2'，但不匹配'py'、'py.'或'py!'）。\B与\b相反，所以单词字符是Unicode字母数字或下划线，尽管这可以通过使用ASCII标志来更改。

 \d：

• 对于Unicode（str）模式：匹配任何Unicode十进制数字（即Unicode字符类别[Nd]中的任何字符），包括[0-9]和其他数字字符。如果使用ASCII标志，只匹配[0-9]（但标志会影响整改正则表达式，因此在这种情况下使用明确的[0-9]可能是更好的选择）
• 对于8-bit（字节）模式：匹配任何十进制数字，相当于[0-9]

\D：匹配任何不是Unicode十进制数字的字符，与\d相反。

\s：

• 对于Unicode（str）模式：匹配Unicode空格字符（包括\t \n \r \f \v，以及其他其他字符），如果使用ASCII标志，只匹配\t \n \r \f \v
• 对于8-bit（字节）模式：匹配ASCII字符集中被视为空格的字符，等同于[\t\n\r\f\v]

\S：匹配任何不是Unicode空格字符的字符，与\s相反。

\w：

• 对于Unicode（str）模式：匹配Unicode字符，这包括可以作为任何语言中的单词的一部分的大多数字符，以及数字和下划线。如果使用ASCII标志，只匹配[a-zA-Z0-9_]
• 对于8-bit（字节）模式：匹配ASCII字符集中的字符，相当于[a-zA-Z0-9_]

\W：匹配任何不是Unicode字符的字符，与\w相反。

\Z：只在字符串的结尾处进行匹配。

 

二、re模块介绍

1、re.compile(pattern, flags = 0)

将正则表达式模式编译成一个正则表达式对象，匹配时可以调用它的match()和search()方法。其中可以通过指定flags值修改表达式的行为，值可以使任何以下变量，组合使用"|"运算符。

flags：re.A(re.ASCII)、re.DEBUG、re.I(re.IGNORECASE)、re.L(re.LOCALE)、re.M(re.MULTILINE)、re.S(re.DOTALL)、re.X(re.VERBOSE)

2、re.search(pattern, string, flags = 0)

扫描字符串查找正则表达式模式产生匹配的第一个位置，并返回相应的match object，没有匹配则返回None。

3、re.match(pattern, string, flags = 0)

如果字符串开头的零个或多个字符与正则表达式模式相匹配，则返回相应的match object，不匹配则返回None。

4、re.fullmatch*pattern, string, flags = 0)

如果整个字符串与正则表达式模式相匹配，则返回相应的match object，否则返回None。

5、re.split(pattern, string, maxsplit = 0, flags = 0)

按照能够匹配的子串将字符串分割后返回列表。

6、re.findall(pattern, string, flags = 0)

在字符串中找到正则表达式匹配的所有子串，并返回一个列表。（注意match、search都是匹配一次，findall匹配所有）

7、re.finditer(pattern, string, flags = 0)

和findall相似，在啊字符串中找到正则表达式匹配的所有子串，并把结果作为一个迭代器返回。

 

三、正则表达式对象

re.RegexObject——re.compile()返回的RegexObject对象。

re.MatchObject——re.match()和re.search()返回的MatchObject对象。group()返回被RE匹配的字符串。

 

四、实例

#!/usr/bin/python
import re
line = "Cats are smarter than dogs"
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)
if matchObj:
    print("matchObj.group() : ", matchObj.group())
    print("matchObj.group(1) : ", matchObj.group(1))
    print("matchObj.group(2) : ", matchObj.group(2))
else:
    print("No match!!")


##########运行结果##########
matchObj.group() :  Cats are smarter than dogs
matchObj.group(1) :  Cats
matchObj.group(2) :  smarter