Python正则表达式入门

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)
时间: 2024-10-03 22:40:13

Python正则表达式入门的相关文章

Python 正则表达式入门

Python 正则表达式入门(初级篇) 本文主要为没有使用正则表达式经验的新手入门所写.转载请写明出处 中级篇介绍子表达式,向前向后查找,回溯引用 链接:http://www.cnblogs.com/chuxiuhong/p/5907484.html 引子 首先说 正则表达式是什么? 正则表达式,又称正规表示式.正规表示法.正规表达式.规则表达式.常规表示法(英语:Regular Expression,在代码中常简写为regex.regexp或RE),计算机科学的一个概念.正则表达式使用单个字符

python正则表达式入门与提高

自己最近学习了正则表达式,整理了一些关于Python的优秀博文,大家可以拿来参考学习: 1. google 搜索引擎排名第一的 ”Python正则表达式“ http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html 但作为初学者来说,此文比较硬骨头,不建议. 2. 深入浅出学习Python 正则表达式 http://woodpecker.org.cn/diveintopython/regular_expressions/index.ht

Python 正则表达式入门(初级篇)

本文主要为没有使用正则表达式经验的新手入门所写. 转载请写明出处 引子 首先说 正则表达式是什么? 正则表达式,又称正规表示式.正规表示法.正规表达式.规则表达式.常规表示法(英语:Regular Expression,在代码中常简写为regex.regexp或RE),计算机科学的一个概念.正则表达式使用单个字符串来描述.匹配一系列匹配某个句法规则的字符串.在很多文本编辑器里,正则表达式通常被用来检索.替换那些匹配某个模式的文本. 许多程序设计语言都支持利用正则表达式进行字符串操作.例如,在Pe

Python爬虫入门七之正则表达式

在前面我们已经搞定了怎样获取页面的内容,不过还差一步,这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢?下面就开始介绍一个十分强大的工具,正则表达式! 1.了解正则表达式 正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符.及这些特定字符的组合,组成一个"规则字符串",这个"规则字符串"用来表达对字符串的一种过滤逻辑. 正则表达式是用来匹配字符串非常强大的工具,在其他编程语言中同样有正则表达式的概念,Python同样不例外,利用了正则表达式,我

转 Python爬虫入门七之正则表达式

静觅 » Python爬虫入门七之正则表达式 1.了解正则表达式 正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符.及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑. 正则表达式是用来匹配字符串非常强大的工具,在其他编程语言中同样有正则表达式的概念,Python同样不例外,利用了正则表达式,我们想要从返回的页面内容提取出我们想要的内容就易如反掌了. 正则表达式的大致匹配过程是:1.依次拿出表达式和文本中的字符比较,2.如果每一个

Python爬虫入门之正则表达式

在前面我们已经搞定了怎样获取页面的内容,不过还差一步,这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢?下面就开始介绍一个十分强大的工具,正则表达式! 1.了解正则表达式 正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符.及这些特定字符的组合,组成一个"规则字符串",这个"规则字符串"用来表达对字符串的一种过滤逻辑. 正则表达式是用来匹配字符串非常强大的工具,在其他编程语言中同样有正则表达式的概念,Python同样不例外,利用了正则表达式,我

python 爬虫入门之正则表达式 一

python  正则表达式知识点 正则 常用符号 . : 匹配任意字符,换行符除外 * : 匹配前一个字符 0 次或者无限次 ? : 匹配前一个字符 0次或者1次 .* : 贪心算法 .*? :非贪心算法 (): 括号内的数据作为结果返回 正则常用方法: findall: 匹配所有符合规律的内容,返回包含结果的列表 Search: 匹配并提取第一个符合规律的内容,返回一个正则表达式对象 Sub: 替换符合规律的内容,返回替换后的值 正则表达式的基本应用 ,使用正则表达式过滤一个简单的test文件

Python 基础入门 8_1 正则表达式

"""自1.5版本后,引入re模块,使python可以写正则表达式,正则表达式是用来判断或者返回指定匹配模式的字符串:比如说:密码规则需要大小写字母和数字组成,如果我们输入字符串来判断复合密码规则,需要许多的判断语句,而用正则表达式则可以很快的判断出这个字符串是否符合字符串的要求,减少了代码的工作量 python正则表达式的实现需要引用 re模块:import rere模块的函数常用的有三个参数:pattern:编写规则,用来配对字符串是否符合规则: pattern = &q

Python爬虫入门六之Cookie的使用

大家好哈,上一节我们研究了一下爬虫的异常处理问题,那么接下来我们一起来看一下Cookie的使用. 为什么要使用Cookie呢? Cookie,指某些网站为了辨别用户身份.进行session跟踪而储存在用户本地终端上的数据(通常经过加密) 比如说有些网站需要登录后才能访问某个页面,在登录之前,你想抓取某个页面内容是不允许的.那么我们可以利用Urllib2库保存我们登录的Cookie,然后再抓取其他页面就达到目的了. 在此之前呢,我们必须先介绍一个opener的概念. 1.Opener 当你获取一个