python的正则表达式

Posted 2020-07-26 luffyitach

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

View Code

 

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*")

View Code

 

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()

View Code

 

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!

View Code

 

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}

View Code

 

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 

   View Code

    

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\', \'\']

   View Code

    

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\']

   View Code

    

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

   View Code

    

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!

   View Code

    

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)

   View Code