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：  
re_simple

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：   
pyre

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 \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): 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 \1\3'):", m.expand(r'\2 \1\3')
 
### 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 \1\3'): 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。

posted @ 2015-09-26 10:46  zfyouxi  阅读(229)  评论(0)    收藏  举报