正则表达式原始字符串及re

Posted 2023-01-02 jiading

正则表达式、原始字符串及re

• re是python中的一个文本解析工具，常用的方法有：

  来源：https://www.ibm.com/developerworks/cn/opensource/os-cn-pythonre/index.html

  compile

  re.compile(pattern[, flags])

  把正则表达式的模式和标识转化成正则表达式对象，供 match() 和 search() 这两个函数使用。

  re 所定义的 flag 包括：

  re.I 忽略大小写

  re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境

  re.M 多行模式

  re.S 即为’ . ’并且包括换行符在内的任意字符（’ . ’不包括换行符）

  re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库

  re.X 为了增加可读性，忽略空格和’ # ’后面的注释

  例：以下两种用法结果相同：

  A)

  compiled_pattern = re.compile(pattern) ``result = compiled_pattern.match(string)

  B)

  result = re.match(pattern, string)

  re.search(pattern, string[, flags])

  在字符串中查找匹配正则表达式模式的位置，返回 MatchObject 的实例，如果没有找到匹配的位置，则返回 None。

  对于已编译的正则表达式对象来说（re.RegexObject），有以下 search 的方法：

  search (string[, pos[, endpos]])

  若 regex 是已编译好的正则表达式对象，regex.search(string, 0, 50) 等同于 regex.search(string[:50], 0)。

  具体示例如下。

  >>> pattern = re.compile("a") ``>>> pattern.search("abcde")     # Match at index 0 ``>>> pattern.search("abcde", 1)  # No match;

  re.match(pattern, string[, flags])

  判断 pattern 是否在字符串开头位置匹配。对于 RegexObject，有：

  match(string[, pos[, endpos]])

  match() 函数只在字符串的开始位置尝试匹配正则表达式，也就是只报告从位置 0 开始的匹配情况，而 search() 函数是扫描整个字符串来查找匹配。如果想要搜索整个字符串来寻找匹配，应当用 search()。

  split

  re.split(pattern, string[, maxsplit=0, flags=0])

  此功能很常用，可以将将字符串匹配正则表达式的部分割开并返回一个列表。对 RegexObject，有函数：

  split(string[, maxsplit=0])

  例如，利用上面章节中介绍的语法：

  >>> re.split('\W+', 'test, test, test.') ``['test', 'test', 'test', ''] ``>>> re.split('(\W+)', ' test, test, test.') ``[' test ', ', ', ' test ', ', ', ' test ', '.', ''] ``>>> re.split('\W+', ' test, test, test.', 1) ``[' test ', ' test, test.']

  对于一个找不到匹配的字符串而言，split 不会对其作出分割，如：

  >>> re.split('a*', 'hello world') ``['hello world']

  re.findall(pattern, string[, flags])

  在字符串中找到正则表达式所匹配的所有子串，并组成一个列表返回。同样 RegexObject 有：

  findall(string[, pos[, endpos]])

  示例如下：

  #get all content enclosed with [], and return a list ``>>> return_list = re.findall("(\[.*?\])",string)

  re.finditer(pattern, string[, flags])

  和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并组成一个迭代器返回。同样 RegexObject 有：

  finditer(string[, pos[, endpos]])

  sub

  re.sub(pattern, repl, string[, count, flags])

  在字符串 string 中找到匹配正则表达式 pattern 的所有子串，用另一个字符串 repl 进行替换。如果没有找到匹配 pattern 的串，则返回未被修改的 string。Repl 既可以是字符串也可以是一个函数。对于 RegexObject 有：

  sub(repl, string[, count=0])

  此语法的示例有：

  >>> p = re.compile( '(one|two|three)') `` ``>>> p.sub( 'num', 'one word two words three words') ``'num word num words num words'

  同样可以用以下方法，并指定 count 为 1（只替换第一个）：

  >>> p.sub( ‘num‘, ‘ one word two words three words‘, count=1)

  ‘ num word two words three words‘

  subn

  re.subn(pattern, repl, string[, count, flags])

  该函数的功能和 sub() 相同，但它还返回新的字符串以及替换的次数。同样 RegexObject 有：

  subn(repl, string[, count=0])

• 区分正则表达式易错的大小写

  正则表达式特殊序列：

  \A	只在字符串开头进行匹配。
  \b	匹配位于开头或者结尾的空字符串
  \B	匹配不位于开头或者结尾的空字符串
  \d	匹配任意十进制数，相当于 [0-9]
  \D	匹配任意非数字字符，相当于 [^0-9]
  \s	匹配任意空白字符，相当于 [ \t\n\r\f\v]
  \S	匹配任意非空白字符，相当于 [^ \t\n\r\f\v]
  \w	匹配任意数字和字母，相当于 [a-zA-Z0-9_]
  \W	匹配任意非数字和字母的字符，相当于 [^a-zA-Z0-9_]
  \Z	只在字符串结尾进行匹配

  来源：https://www.ibm.com/developerworks/cn/opensource/os-cn-pythonre/index.html

  注意这里面，关于大小写的作用是反过来的：\s（小写）是匹配空白字符，而\S(大写)则是匹配非空白字符；\w匹配数字和字母，而\W匹配的是非数字和字母，这就很容易用错。不过规律是一致的，就是小写是描述特征的，而大写的匹配的是小写的“非”

• 正则表达式和原始字符串混起来，就有了一丝复杂的意味

  原始字符串的意思是：所有的字符串都是直接按照字面的意思来使用，没有转义特殊或不能打印的字符。

  我们往往容易误以为原始字符串的意思是“只能表示字面上的字符”，在一些简单使用的情况下，这是正确的，但是在re模块中使用是有问题的：

  compile

  re.compile(pattern[, flags])

  把正则表达式的模式和标识转化成正则表达式对象，供 match() 和 search() 这两个函数使用。

  这里我们输入的字符串实际上是pattern，如果使用原始字符串，就是将输入的字符串直接当成pattern

  例如：\w表示匹配任意数字和字母,这个\是我们需要的，但是如果直接输入“\w"会将\w认为是转义字符，传递的pattern就不是\w了.如果不使用原始字符串，应该写成re.compile("\\w")；而如果使用了原始字符串，应该是re.compile(r"\w")

  而例如+号，它本身就不存在转义的问题，所以无论是否使用原始字符串，只要我们想获得的是+号表示的1到多次的效果，就都不要画蛇添足加\。但是如果我们需要表示的都是+这个符号本身呢？那么这两种情况都需要加。注意，由于Python中没有规定\+这个转义字符，所以它其实是被Python当成\和+传入re的，而re根据\将+转义为没有特殊效果的+字符。这里要搞清

  说起来不太难，但是使用的时候还是有点坑的其实，尤其是脑子容易绕不过来。所以我觉得干脆，正则表达式上能不用原始字符串就不用了吧

  （而且我实测，原始字符串在这里好像会有薛定谔bug，一开始运行就是不过，折腾了半天改回原来不知道怎么就过了，很迷````）