python的正则表达式

1.1. 正则表达式的简单介绍

正则表达式并不是python特有的，它在其他编程语言中也有运用到，它不属于任何编程语言，它是独立开来的一种用于处理字符串的强大工具，拥有自己独特的语法。

下面这个图是正则表达式的详细规则

1.2. 正则中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里当用+?*去匹配的时候默认是贪婪的，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，在+?*后面加个?.例如：正则表达式"xy*"如果用于查找"xyyyz"，将找到"xyyyy"。而如果使用非贪婪的数量词"xy*?"，将找到"x",像"xy+?"，将找到"xy"，像"xy??",将找到"x"。

1.3. 反斜杠

正则表达式也使用"\"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python表示的正则表达式里将需要4个反斜杠"\\\\"：前面两个是转义符，后面两个是原义反斜杠，这种格式是python内部的格式要求。而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"。

2. re模块

2.1. 开始使用re

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达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，进行其他的操作。

 1 # encoding: UTF-8
 2 import re
 3
 4 # 将正则表达式编译成Pattern对象
 5 pattern = re.compile(r‘hello‘)
 6
 7 # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
 8 match = pattern.match(‘hello world!‘)
 9
10 if match:
11     # 使用Match获得分组信息
12     print match.group()
13
14 ### 输出 ###
15 # hello

re.compile(strPattern[, flag]):

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。以下两个正则表达式是等价的：

1 a = re.compile(r"""\d +  # the integral part
2                    \.    # the decimal point
3                    \d *  # some fractional digits""", re.X)
4 b = re.compile(r"\d+\.\d*")

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时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。如上面这个例子可以简写为：

1 m = re.match(r‘hello‘, ‘hello world!‘)
2 print m.group()

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需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。

 1 import re
 2 m = re.match(r‘(\w+) (\w+)(?P<sign>.*)‘, ‘hello world!‘)
 3
 4 print "m.string:", m.string
 5 print "m.re:", m.re
 6 print "m.pos:", m.pos
 7 print "m.endpos:", m.endpos
 8 print "m.lastindex:", m.lastindex
 9 print "m.lastgroup:", m.lastgroup
10
11 print "m.group(1,2):", m.group(1, 2)
12 print "m.groups():", m.groups()
13 print "m.groupdict():", m.groupdict()
14 print "m.start(2):", m.start(2)
15 print "m.end(2):", m.end(2)
16 print "m.span(2):", m.span(2)
17 print r"m.expand(r‘\2 \1\3‘):", m.expand(r‘\2 \1\3‘)
18
19 ### output ###
20 # m.string: hello world!
21 # m.re: <_sre.SRE_Pattern object at 0x016E1A38>
22 # m.pos: 0
23 # m.endpos: 12
24 # m.lastindex: 3
25 # m.lastgroup: sign
26 # m.group(1,2): (‘hello‘, ‘world‘)
27 # m.groups(): (‘hello‘, ‘world‘, ‘!‘)
28 # m.groupdict(): {‘sign‘: ‘!‘}
29 # m.start(2): 6
30 # m.end(2): 11
31 # m.span(2): (6, 11)
32 # m.expand(r‘\2 \1\3‘): world hello!

2.3. 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。

 1 import re
 2 p = re.compile(r‘(\w+) (\w+)(?P<sign>.*)‘, re.DOTALL)
 3
 4 print "p.pattern:", p.pattern
 5 print "p.flags:", p.flags
 6 print "p.groups:", p.groups
 7 print "p.groupindex:", p.groupindex
 8
 9 ### output ###
10 # p.pattern: (\w+) (\w+)(?P<sign>.*)
11 # p.flags: 16
12 # p.groups: 3
13 # p.groupindex: {‘sign‘: 3}

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。

     1 # encoding: UTF-8
 2 import re
 3
 4 # 将正则表达式编译成Pattern对象
 5 pattern = re.compile(r‘world‘)
 6
 7 # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
 8 # 这个例子中使用match()无法成功匹配
 9 match = pattern.search(‘hello world!‘)
10
11 if match:
12     # 使用Match获得分组信息
13     print match.group()
14
15 ### 输出 ###
16 # world

  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。

    1 import re
2
3 p = re.compile(r‘\d+‘)
4 print p.split(‘one1two2three3four4‘)
5
6 ### output ###
7 # [‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘‘]

  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。

    1 import re
2
3 p = re.compile(r‘\d+‘)
4 print p.findall(‘one1two2three3four4‘)
5
6 ### output ###
7 # [‘1‘, ‘2‘, ‘3‘, ‘4‘]

  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。

    1 import re
2
3 p = re.compile(r‘\d+‘)
4 for m in p.finditer(‘one1two2three3four4‘):
5     print m.group(),
6
7 ### output ###
8 # 1 2 3 4

  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。

     1 import re
 2
 3 p = re.compile(r‘(\w+) (\w+)‘)
 4 s = ‘i say, hello world!‘
 5
 6 print p.sub(r‘\2 \1‘, s)
 7
 8 def func(m):
 9     return m.group(1).title() + ‘ ‘ + m.group(2).title()
10
11 print p.sub(func, s)
12
13 ### output ###
14 # say i, world hello!
15 # 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 import re
 2
 3 p = re.compile(r‘(\w+) (\w+)‘)
 4 s = ‘i say, hello world!‘
 5
 6 print p.subn(r‘\2 \1‘, s)
 7
 8 def func(m):
 9     return m.group(1).title() + ‘ ‘ + m.group(2).title()
10
11 print p.subn(func, s)
12
13 ### output ###
14 # (‘say i, world hello!‘, 2)
15 # (‘I Say, Hello World!‘, 2)

时间： 2024-07-28 12:25:06

python的正则表达式的相关文章

python 中正则表达式

. 匹配除换行符以外的任意字符 \w 匹配字母或数字或下划线或汉字 \s 匹配任意的空白符 \d 匹配数字 \b 匹配单词的开始或结束 ^ 匹配字符串的开始 $ 匹配字符串的结束 代码/语法 说明 * 重复零次或更多次 + 重复一次或更多次 ? 重复零次或一次 {n} 重复n次 {n,} 重复n次或更多次 {n,m} 重复n到m次 [aeiou]就匹配任何一个英文元音字母,[.?!]匹配标点符号(.或?或!). [0-9]代表的含意与\d就是完全一致的:一位数字:同理[a-z0-9A-Z_]也完

python用正则表达式怎么查询unicode码字符

import re data = open('a.txt') fh = open('b.txt', 'w') """Search the string begining with '['""" p = re.compile(r'\s*[\u3010]') for each_d in data: if re.match('\s*3\d{4}', each_d): each_d = each_d.strip() print(each_d + ': '

【python】正则表达式

在python中,所有和正则表达式相关的功能都包含在re模块中. $表示字符串的末尾,^表示字符串的开始,原始字符串:字符串添加前缀r,表示字符串中的所有字符都不转义.\b表示单词的边界必须在这里. s="100 BROAD" re.sub('ROAD$','RD',s) 结果:'100 BRD' re.sub(r'\bROAD$','RD',s) 结果:100 BROAD M?可选地匹配单个字符,要么一个M,要么没有M.re模块的关键是一个search函数,该函数由两个参数,一个是正

python使用正则表达式文本替换

2D客户端编程从某种意义上来讲就是素材组织,所以,图片素材组织经常需要批量处理,python一定是最佳选择,不过是win/linux/mac都有一个简单的运行环境 举两个应用场景: 如果不是在某个文件夹里面则将文件夹名称插入前面 所有的文件名名称加上一个前缀 直接看代码吧 # encoding: UTF-8 import re # 将正则表达式编译成Pattern对象 p = re.compile(r'(?P<folder>(\w+/)*)(?P<filename>\w+\.png

Python使用正则表达式替换源码前序号

从博客园或其它地方拷贝代码,经常前面有代码序号,像下面这个样子: 1 wbContent.Navigate(vURL); 2  3     Result:=GetHtml(wbContent); 4  5     while not ContainsText(Result,'共找到') do 6     begin 7       Sleep(100); 8       Application.ProcessMessages; 9       Result:=GetHtml(wbContent)

python study - 正则表达式

第 7 章 正则表达式 7.1. 概览 7.2. 个案研究:街道地址 7.3. 个案研究:罗马字母 7.3.1. 校验千位数 7.3.2. 校验百位数 7.4. 使用 {n,m} 语法 7.4.1. 校验十位数和个位数 7.5. 松散正则表达式 7.6. 个案研究:解析电话号码 7.7. 小结 正则表达式是搜索.替换和解析复杂字符模式的一种强大而标准的方法.如果你曾经在其他语言 (如 Perl) 中使用过它,由于它们的语法非常相似,你仅仅阅读一下 re 模块的摘要,大致了解其中可用的函数和参数就

Python爬虫-正则表达式

正则表达式 只提取关注的数据,进行数据赛选 原子: 基本组成单位 普通的字符 非打印支付 通用字符 普通的字符 >>> import re >>> pat="yue" >>> string="http://yum.iqianyue.com" >>> rst1=re.search(pat,string) >>> print(rst1) <_sre.SRE_Match obj

python的正则表达式 re

python的正则表达式 re 本模块提供了和Perl里的正则表达式类似的功能,不关是正则表达式本身还是被搜索的字符串,都可以是Unicode字符,这点不用担心,python会处理地和Ascii字符一样漂亮. 正则表达式使用反斜杆(\)来转义特殊字符,使其可以匹配字符本身,而不是指定其他特殊的含义.这可能会和python字面意义上的字符串转义相冲突,这也许有些令人费解.比如,要匹配一个反斜杆本身,你也许要用'\\\\'来做为正则表达式的字符串,因为正则表达式要是\\,而字符串里,每个反斜杆都要写

Python re正则表达式模块学习【转】

感谢原作者,本文转自:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html 博主还有一些比较好的python文档在此一并推荐,可以移步查看. 文介绍了Python对于正则表达式的支持,包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例.本文的内容不包括如何编写高效的正则表达式.如何优化正则表达式,这些主题请查看其他教程. 注意:本文基于Python2.4完成:如果看到不明白的词汇请记得百度谷歌或维基,whate

[python] 常用正则表达式爬取网页信息及分析HTML标签总结【转】

[python] 常用正则表达式爬取网页信息及分析HTML标签总结 转http://blog.csdn.net/Eastmount/article/details/51082253 标签: pythonpython爬虫正则表达式html知识总结 2016-04-07 06:13 3615人阅读 评论(4) 收藏 举报  分类: Python爬虫(23)  Python基础知识(17)  版权声明:本文为博主原创文章,转载请注明CSDN博客源地址!共同学习,一起进步~ 这篇文章主要是介绍Pytho