python之re模块

 最严谨的校验email地址的正则表达式

>>> import re
>>> p = re.compile(r"(^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$)")
>>> m = p.match("33@163.com")
>>> m.group()
'33@163.com'
>>>

 

1、re 基础知识

  • 基本字符

[...] ：有一对方括号括起来的字符，表示一个字符集合，能够匹配包含在其中的任何一个字符。还可以通过‘-’来指定一个字符集合的范围。

　　          如[1adfe23], [a-cA-H], [3-7]

　　    在一对方括号中以‘^’开头，则表示取非，即在方括号中的字符都不匹配。  如[^d-n];

　　          如果不在开头，则表示字符本身。

\ ：转义字符，使后面一个字符改变原来的意思。如a\.c — a.c 可匹配

. ：匹配任意除换行符(\n)之外的字符。如 a.c — akc可匹配

  • 预定义字符集   可以写在字符集[]中

\d (\D)  ： 数字0-9，与[0-9] 等价  (非数字，与[^\d]等价)　　如d\de — d5e 可匹配

\w (\W) ： 单词字符，与[a-zA-Z0-9]等价  (非单词字符，与[^\w]等价)　　如j\wiz — juwiz 可匹配

\s (\S)  ： 空白字符，与[<空格>\t\r\n\f\v]等价  (非空白字符，与[^\s等价]) 　　如he\sjava — he java 可匹配

  •  数量词    用在字符或（...）后面

* ：匹配前一个字符0次或无限次　　如av* — a    avvvvvv 可匹配

+ ：匹配前一个字符1次或无限次　　如av+ — av    avvvvvv 可匹配

? ：匹配前一个字符0次或1次　　如av* — a    av 可匹配

{m} ：匹配前一个字符m次　　如a{4}v — aaaav 可匹配

{m, n}：匹配前一个字符m至n次　　如a{1,3}v — av  aav  aaav 可匹配

  •  边界匹配

^ ：匹配字符串开头。在多行模式(re.M(MUTILINE))中匹配每一行开头

$ ：匹配字符串末尾。在多行模式(re.M(MUTILINE))中匹配每一行末尾

\A ：仅匹配字符串开头

\Z：仅匹配字符串末尾

\b：匹配\w与\W之间  怎么理解？ 即边界处

\B：[^\b]

  • 逻辑、分组

|：左右表达式任意匹配一个。

　　它总是先尝试匹配左边的表达式，一旦匹配成功则跳过右边的表达式。

(...)：一个分组，一个整体，可以后接数量词。表达式中的|仅在该组中有效。　　如(ahg){2}  与  ahgahg  匹配

　　从表达式左边开始，没遇到一个分组的左括号，编号+1。

(?P<name>)：分组，除了原有的编号外，再指定一个额外的别名。 　　如(?P<id>ahf){2}  与  ahfahf  匹配

　　　　　　特别注意字母P是大写。

\<number>：引用编号为<number>的分组匹配到的字符串。　　 如((\d)abc)\1 与 "3abc3abc"  匹配

　　　　　　这里需要理解number即对应的分组的编号。

(?P=name)：引用别名为<name>的分组匹配到的字符串。 　　如(?P<id>ahf){2}(?P=id)  与  "ahfahfahf"  匹配

  • 特殊构造 （不作为分组）

(?:...)：(...)的不分组版本，用于使用| 或后接数量词。　　　如(?:ahg){2}  与  ahgahg  匹配

　　　　有时你想用一个组去收集正则表达式的一部分，但又对组的内容不感兴趣。

　　　　你可以用一个无捕获组: (?:...) 来实现这项功能，这样你可以在括号中发送任何其他正则表达式。

(?iLmsux)：iLmsux的每个字符代表一个匹配模式，只能用在re的开头，可选多个。　　 如 (?Iabc)  与 AbC 匹配

(?#...)：#后面的内容将作为注释被忽略。　　　　如 ahc(#content)23  与  ahc  匹配

(?=...)：之后的字符串内容 需要 匹配表达式 才能成功匹配。不消耗字符串内容。　　如 a(?=\d)  后面 是数字 的a

(?!...)：之后的字符串内容 需要 不匹配表达式 才能成功匹配。不消耗字符串内容。　 如 a(?!\d)  后面 不是数字 的a

(?<=...)：之前的字符串内容 需要 匹配表达式 才能成功匹配。不消耗字符串内容。　 如 (?<=\d)a  前面 是数字 的a

(?<!...)：之前的字符串内容 需要 不匹配表达式 才能成功匹配。不消耗字符串内容。　 如 (?<!\d)a  前面 不是数字 的a

 

2、数量词的贪婪模式与非贪婪模式

  • 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

3、关于反斜杠

  • 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。
  • Python里的原生字符串很好地解决了这个问题。如'\\d' 可写成 r'\d'

4、匹配模式

  • re.compile(pattern, flags=0):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。
可选值有：

    • re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
    • M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
    • S(DOTALL): 点任意匹配模式，改变'.'的行为
    • L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
    • U(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
    • X(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=0)

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用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: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
  4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
  5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
  6. lastgroup: 最后一个被捕获的分组的别名。如果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；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，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]):
      以元组形式返回全部分组截获的字符串。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，默认为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，没有别名的组不包含在内。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中可以使用\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将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

  • Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以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、以该组对应的编号为值的字典，没有别名的组不包含在内。

实例方法[ | re模块方法]：

    1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
      这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中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()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
      注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。
      示例参见2.1小节。
    2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
      这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果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后重新尝试匹配；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()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
    3. split(string[, maxsplit]) | 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。
    4. findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
      搜索string，以列表形式返回全部能匹配的子串。
    5. finditer(string[, pos[, endpos]]) | 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。
    6. sub(repl, string[, count]) | 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<id>、\g<name>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。
    7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
      返回 (sub(repl, string[, count]), 替换次数)。

 

 相关阅读：

1、http://wiki.ubuntu.org.cn/index.php?title=Python%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%E6%93%8D%E4%BD%9C%E6%8C%87%E5%8D%97&variant=zh-cn

2、http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

3、http://woodpecker.org.cn/diveintopython3/regular-expressions.html

posted @ 2013-09-06 18:03  开心星  阅读(322)  评论(0)    收藏  举报