Python正则表达式指南

时间 2020-05-13 标签 python 正则表达式指南

Python正则表达式指南

本文介绍了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，这些主题请查看其余教程。html

注意：本文基于Python2.4完成；若是看到不明白的词汇请记得百度谷歌或维基，whatever。 python

做者及原文地址 >.< AstralWindhttp://www.cnblogs.com/huxi/archive/2010/07/04/1771073.htmlmlgit

1. 正则表达式基础

1.1. 简单介绍

正则表达式并非Python的一部分。正则表达式是用于处理字符串的强大工具，拥有本身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同样的，区别只在于不一样的编程语言实现支持的语法数量不一样；但不用担忧，不被支持的语法一般是不经常使用的部分。若是已经在其余语言里使用过正则表达式，只须要简单看一看就能够上手了。程序员

下图展现了使用正则表达式进行匹配的流程：
正则表达式

正则表达式的大体匹配过程是：依次拿出表达式和文本中的字符比较，若是每个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。若是表达式中有量词或边界，这个过程会稍微有一些不一样，但也是很好理解的，看下图中的示例以及本身多使用几回就能明白。编程

下图列出了Python支持的正则表达式元字符和语法：
编程语言

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式一般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（在少数语言里也多是默认非贪婪），老是尝试匹配尽量多的字符；非贪婪的则相反，老是尝试匹配尽量少的字符。例如：正则表达式"ab*"若是用于查找"abbbc"，将找到"abbb"。而若是使用非贪婪的数量词"ab*?"，将找到"a"。工具

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"\"做为转义字符，这就可能形成反斜杠困扰。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则表达式里将须要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使用r"\\"表示。一样，匹配一个数字的"\\d"能够写成r"\d"。有了原生字符串，你不再用担忧是否是漏写了反斜杠，写出来的表达式也更直观。post

1.4. 匹配模式

正则表达式提供了一些可用的匹配模式，好比忽略大小写、多行匹配等，这部份内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一块儿介绍。优化

2. re模块

2.1. 开始使用re

Python经过re模块提供对正则表达式的支持。使用re的通常步骤是先将正则表达式的字符串形式编译为Pattern实例，而后使用Pattern实例处理文本并得到匹配结果（一个Match实例），最后使用Match实例得到信息，进行其余的操做。

 
     ﻿﻿﻿﻿# encoding: UTF-8 
import re 
  
# 将正则表达式编译成Pattern对象 
pattern = re.compile(r'hello') 
  
# 使用Pattern匹配文本，得到匹配结果，没法匹配时将返回None 
match = pattern.match('hello world!') 
  
if match: 
    # 使用Match得到分组信息 
    print match.group() 
  
### 输出 ### 
# 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，取值可使用按位或运算符'|'表示同时生效，好比re.I | re.M。另外，你也能够在regex字符串中指定模式，好比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): 使预约字符类 \w \W \b \B \s \S 取决于当前区域设定
U(UNICODE): 使预约字符类 \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能够是多行，忽略空白字符，并能够加入注释。如下两个正则表达式是等价的：

 
     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成正则表达式的功能。这些方法可使用Pattern实例的相应方法替代，惟一的好处是少写一行re.compile()代码，但同时也没法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一块儿介绍。如上面这个例子能够简写为：

 
     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*/+/?等以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，包含了不少关于这次匹配的信息，可使用Match提供的可读属性或方法来获取这些信息。

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。若是没有被捕获的分组，将为None。
lastgroup: 最后一个被捕获的分组的别名。若是这个分组没有别名或者没有被捕获的分组，将为None。

方法：

group([group1, …]):
得到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可使用编号也可使用别名；编号0表明整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了屡次的组返回最后一次截获的子串。
groups([default]):
以元组形式返回所有分组截获的字符串。至关于调用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中而后返回。template中可使用\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，若是你想表达\1以后是字符'0'，只能使用\g<1>0。

 
      
     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则表达式，经过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：

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。

 
      
     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]：

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；若是pattern结束时仍可匹配，则返回一个Match对象；若是匹配过程当中pattern没法匹配，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()没法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
注意：这个方法并非彻底匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要彻底匹配，能够在表达式末尾加上边界匹配符'$'。
示例参见2.1小节。
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个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，若是pattern结束时仍可匹配，则返回一个Match对象；若没法匹配，则将pos加1后从新尝试匹配；直到pos=endpos时仍没法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；re.search()没法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
```
# encoding: UTF-8  
import re  
  
# 将正则表达式编译成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  
# 这个例子中使用match()没法成功匹配  
match = pattern.search('hello world!')  
  
if match:  
    # 使用Match得到分组信息  
    print match.group()  
  
### 输出 ###  
# world
```
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照可以匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将所有分割。
```
import re 
  
p = re.compile(r'\d+') 
print p.split('one1two2three3four4') 
  
### output ### 
# ['one', 'two', 'three', 'four', '']
```
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。
```
import re 
  
p = re.compile(r'\d+') 
print p.findall('one1two2three3four4') 
  
### output ### 
# ['1', '2', '3', '4']
```
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一个顺序访问每个匹配结果（Match对象）的迭代器。
```
import re 
  
p = re.compile(r'\d+') 
for m in p.finditer('one1two2three3four4'): 
    print m.group(), 
  
### output ### 
# 1 2 3 4
```
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，可使用\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，不指定时所有替换。
```
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!
```

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。

 
       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对于正则表达式的支持。熟练掌握正则表达式是每个程序员必须具有的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^

另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具备必定难度的。有兴趣能够思考一下，如何匹配不是以abc开头的单词，^_^

﻿﻿Python正则表达式指南

Python正则表达式指南

1. 正则表达式基础

1.1. 简单介绍

1.2. 数量词的贪婪模式与非贪婪模式

1.3. 反斜杠的困扰

1.4. 匹配模式

2. re模块

2.1. 开始使用re

2.2. Match

2.3. Pattern

Python正则表达式指南