Python之re模块 - 正则表达式操作

Posted 2020-07-28

一、前言

    字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在。而正则表达式就是一种用来描述字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

    学习本章知识，你需要有了解正则表达式基础， 网上快速入门教程一抓一大把，这里就不再叙述了。

二、re 模块

    Python 的 re 模块提供了与 Perl 相似的正则表达式匹配操作， Unicode 字符串也同样适用。

    正则表达式使用反斜杠" \ "来代表特殊形式或用作转义字符，不幸的是 Python 也是使用反斜杠"\"来转义。这里跟Python的语法冲突，因此，Python用" \\\\ "表示正则表达式中真正意义的" \ "，因为正则表达式中如果要匹配" \ "，需要用\来转义，变成" \\ "，而Python语法中又需要对字符串中每一个\进行转义，所以就变成了" \\\\ "。

    上面的写法是不是觉得很麻烦，而且难以理解，为了使正则表达式具有更好的可读性，Python特别设计了原始字符串(raw string)，需要提醒你的是，在写文件路径的时候就不要使用raw string了，这里存在陷阱。raw string就是用‘r‘作为字符串的前缀，如 r"\n"：表示两个字符"\"和"n"，而不是代表转义序列（换行符）了。Python中写正则表达式时推荐使用这种形式。

    正则表达式也是用 \ 来转义元字符， 而 Python的字符串本身也用 \ 转义， 因此我们强烈建议，对于要使用正则表达式的字符串，全部使用 r 前缀。

s = ‘ABC\\-001‘ # Python的字符串
# 对应的正则表达式字符串变成：
# ‘ABC\-001‘

因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题了：
s = r‘ABC\-001‘ # Python的字符串
# 对应的正则表达式字符串不变：
# ‘ABC\-001‘

re.match （仅能从字符串开头匹配）

re.match(pattern, string, flags)

re.match(r‘regex‘, string)

match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

>>> import re
>>> re.match(r‘^\d{3}\-\d{3,8}‘, ‘010-12345‘)
<_sre.SRE_Match object at 0x7fb49aaf7648>
>>> m = re.match(r‘^\d{3}\-\d{3,8}‘, ‘010-12345‘)
>>> if m:
...     print ‘match‘
... else:
...     print ‘No match‘
... 
match

re.search  （匹配）

re.search(pattern, string, flags)

match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

re.match与re.search的区别：

re.match只有当且仅当从字符串的开头进行匹配，如果字符串开头不匹配正则表达式，则匹配失败，函数返回None；而re.search从字符串任意位置进行，直到找到一个匹配。

re.split    （切分）

re.split(r‘regex‘, string)

# 用正则表达式切分字符串比用固定的字符更加灵活
>>> ‘a b    c‘.split(‘ ‘)
[‘a‘, ‘b‘, ‘‘, ‘‘, ‘‘, ‘c‘]

# 看到了么，无法识别连续的空格，用正则表达式试试：
>>> re.split(r‘\s+‘, ‘a b   c‘)
[‘a‘, ‘b‘, ‘c‘]

# 很完美， 加入 “,” 试试
>>> re.split(r‘[\s,]+‘, ‘a,b,,c   d‘)
[‘a‘, ‘b‘, ‘c‘, ‘d‘]

re.group   （分组）

re.group(index)

用 () 表示的就是要提取的分组（Group）。

>>> m = re.match(r‘^(\d{3})-(\d{3,8})$‘, ‘010-12345‘)
>>> m
<_sre.SRE_Match object at 0x1026fb3e8>
>>> m.group(0)
‘010-12345‘
>>> m.group(1)
‘010‘
>>> m.group(2)
‘12345‘

如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。

注意到group(0)永远是原始字符串，group(1)、group(2)……表示提取第1个括号的子串、提取第2个、……个子串。

re.sub    （替换）

re.sub(r‘regex‘, repl, string, count)

其中第二个参数是替换后的字符串；

第四个参数指替换第几次匹配的项。默认为0，表示每个匹配项都替换。

re.compile    （编译）

当我们在Python中使用正则表达式时，re模块内部会干两件事情：

1. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；

2. 用编译后的正则表达式去匹配字符串。

如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：

>>> import re
# 编译：>>> re_telephone = re.compile(r‘^(\d{3})-(\d{3,8})$‘)
# 使用：>>> re_telephone.match(‘010-12345‘).groups()
(‘010‘, ‘12345‘)
>>> re_telephone.match(‘010-8086‘).groups()
(‘010‘, ‘8086‘)

编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。

最后：如果能用字符串的方法，就不要选择正则表达式，因为字符串方法更简单快速。

本文出自 “Share your knowledge” 博客，请务必保留此出处http://skypegnu1.blog.51cto.com/8991766/1791680