Python正则表达式入门

一. 正则表达式基础

1.1. 简单介绍

正则表达式并不是Python的一部分. 正则表达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, 在提供了正则表达式的语言里, 正则表达式的语法都是一样的, 区别只在于不同的编程语言实现支持的语法数量不同; 但不用担心, 不被支持的语法通常是不常用的部分. 如果已经在其他语言里使用过正则表达式, 只需要简单看一看就可以上手了.

下图展示了使用正则表达式进行匹配的流程:

re_simple

图1

正则表达式的大致匹配过程是: 依次拿出表达式和文本中的字符比较, 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. 如果表达式中有量词或边界, 这个过程会稍微有一些不同, 但也是很好理解的, 看下图中的示例以及自己多使用几次就能明白.

下图列出了Python支持的正则表达式元字符和语法: 图2

1.2 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; 非贪婪的则相反, 总是尝试匹配尽可能少的字符.

1.3 反斜杠的困扰

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"\", 因为正表达式中需要转义, 所以正则表达式式"\\", 在作为编程语言的字符串"\\"还需要转义, 像C++中则就是"\\\\", Python中也是这样子. 也就是说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"。有了原生字符串, 你再也不用担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

正则表达式提供了一些可用的匹配模式, 比如忽略大小写, 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.

二. Python中的正则表达式模块(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.

看下面代码

[python] view plain copy

1. #!/usr/bin/env python
2. # coding=utf-8
3. # Python 2.7.3
4. import re
5. # 将正则表达式编译成Pattern对象
6. pattern = re.compile(r‘hello‘)
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. if match:
10. # 使用Match获得分组信息
11. print match.group()
12. ### 输出 ###
13. # hello

2.2 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:

[python] view plain copy

1. # 多行, 忽略空白字符
2. a = re.compile(r"""\d +  # the integral part
3. \.    # the decimal point
4. \d *  # some fractional digits""",  re.X)
5. 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.  如上面这个例子可以简写为:

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.

2.3 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.

2.3.1 属性

string:  匹配时使用的文本.

re:  匹配时使用的Pattern对象.

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.

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.

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.

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.

2.3.2 方法

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.

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.

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.

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.

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.

span([group]):

返回(start(group), end(group)).

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.

2.4 Pattern(编译好的正则表达式)

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.

pattern: 编译时用的表达式字符串.

flags:  编译时用的匹配模式. 数字形式.

groups:  表达式中分组的数量.

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.

2.5 re模块的方法

2.5.1 match(string[, pos[, endpos]])或者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‘$‘.

2.5.2 search(string[, pos[, endpos]])或者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.

[python] view plain copy

1. #!/usr/bin/env python
2. # coding=utf-8
3. # Python 2.7.3
4. import re
5. # 将正则表达式编译成Pattern对象
6. pattern = re.compile(r‘world‘)
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.match(‘hello world!‘) # 这个无法匹配
10. # match = pattern.match(‘world! hello‘) # 这个可以匹配
11. match = pattern.search(‘hello world!‘)  # 这个可以匹配
12. if match:
13. # 使用Match获得分组信息
14. print match.group()
15. ### 输出 ###
16. # world

个人理解: match与search其中一个区别是: match是pattern往string上去匹配, 而search是string往pattern上匹配

2.5.3 split(string[, maxsplit])或者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.

[python] view plain copy

1. #!/usr/bin/env python
2. # coding=utf-8
3. # Python 2.7.3
4. import re
5. p = re.compile(r‘\d+‘)
6. print p.split(‘one1two2three3four4‘)
7. ### output ###
8. # [‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘‘]

个人理解:

表达式: \d+

匹配结果: one1two2three3four4

所以这里返回的是被分割的字符串, 而不是被匹配的字符串.

2.5.4 findall(string[, pos[, endpos]]) 或者 re.findall(pattern, string[, flags]):

搜索string，以列表形式返回全部能匹配的子串。

[python] view plain copy

1. #!/usr/bin/env python
2. # coding=utf-8
3. # Python 2.7.3
4. import re
5. p = re.compile(r‘\d+‘)
6. print p.findall(‘one1two2three3four4‘)
7. ### output ###
8. # [‘1‘, ‘2‘, ‘3‘, ‘4‘]

2.5.5 finditer(string[, pos[, endpos]]) 或者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.

[python] view plain copy

1. #!/usr/bin/env python
2. # coding=utf-8
3. # Python 2.7.3
4. import re
5. p = re.compile(r‘\d+‘)
6. for m in p.finditer(‘one1two2three3four5‘):
7. print m.group(),
8. ### output ###
9. # 1 2 3 5

2.5.6 sub(repl, string[, count]) 或者 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.

[python] view plain copy

1. #!/usr/bin/env python
2. # coding=utf-8
3. # Python 2.7.3
4. import re
5. p = re.compile(r‘(\w+) (\w+)‘)
6. s = ‘i say, hello world!‘
7. print p.sub(r‘\2-\1‘, s)
8. def func(m):
9. return m.group(1).title() + ‘ ‘ + m.group(2).title()
10. print p.sub(func, s)
11. ### output ###
12. # say-i, world-hello!
13. # I Say, Hello World!

2.5.7 subn(repl, string[, count]) 或者re.sub(pattern, repl, string[, count]):

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

[python] view plain copy

1. #!/usr/bin/env python
2. # coding=utf-8
3. # Python 2.7.3
4. import re
5. p = re.compile(r‘(\w+) (\w+)‘)
6. s = ‘i say, hello world!‘
7. print p.subn(r‘\2-\1‘, s)
8. def func(m):
9. return m.group(1).title() + ‘ ‘ + m.group(2).title()
10. print p.subn(func, s)
11. ### output ###
12. # (‘say-i, world-hello!‘, 2)
13. # (‘I Say, Hello World!‘, 2)