python正则表达式

Posted 2020-06-13

python表达式匹配过程:

正则表达式引擎编译正则表达式文本得到正则表达式对象，然后正则表达式对象与要匹配的文本匹配，得到匹配结果，如匹配得到的文本，分组以及在文本中索引。

正则表达式元字符：

数量词的贪婪模式与非贪婪模式：

正则表达式通常用于查找文本中要匹配的字符串。python正则表达式中的的数量词默认情况下是贪婪的（少数语言中是非贪婪的），总是尝试匹配尽可能多的字符，非贪婪则相反，总是尝试匹配尽可能少的字符。例如:正则表达式‘ab*‘匹配‘abbbbc‘匹配到的字符串为‘abbbb‘,如果正则表达式为‘ab*?‘,则在匹配‘abbbbc‘时，匹配到到的内容为‘a‘（因为‘*+？‘）正则表达式变为非贪婪模式。

 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"\"，那么使用编程语言表示的正则表达式里将需要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。

 

re模块

Pythont通过re模块提供对正则表达式的支持。使用re的一般步骤是现将正字表达式的文本编译成Patten实例，然后使用Patten实例处理文本并获得匹配结果（一个Math实例），最后使用Math实例活的信息，并进行其他操作。

# 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，获得匹配结果，无法匹配时将返回None
match = pattern.match(‘hello world!‘)
 
if match:
    # 使用Match获得分组信息
    print match.group()
 
### 输出 ###
# hello

 

re.compile（strPatten[,flag]）

这个方法称之为Patten类的工厂方法，用于将字符串形式的正则表达式编译为patten对象。第二个参数flag为匹配模式，可以使用按位或运算符‘|’表示式同时生效，比如re.M|re.I。re.compile(‘patten‘,re.M|re.I)与re.compile(‘(?im)patten‘)效果相同。

常见的匹配模式有：

re.I:忽略大小写

re.M:多行模式匹配

 

re.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。

 

import re
m = re.match(r‘(\w+) (\w+)(?P<sign>.*)‘, ‘hello world!‘)

print(m.string)
print(m.group(1,2))
print(m.groups())
print(m.groupdict())
print(m.start(1))
print(m.end(2))
print(m.span(3))
print(m.expand(r‘\2 \3\g<1>0000000 ‘))

#返回如下：
‘‘‘
hello world!
(‘hello‘, ‘world‘)
(‘hello‘, ‘world‘, ‘!‘)
{‘sign‘: ‘!‘}
0
11
(11, 12)
world !hello0000000 
‘‘‘

pattern

patten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，只能通过re.compile()进行构造。

pattern 提供的几个可读属性用户获取表达式的相关信息。

1、pattern：编译时的表达式字符串。

2、flags：编译时使用的匹配模式，数字形式。

3、groups:表达式中的分组数量。

4、groupindex:以表达式中有别名的组的别名为键，以改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<id>.*)‘,re.DOTALL)


print(p.pattern)
print(p.flags)
print(p.groups)
print(p.groupindex)

#返回如下：
‘‘‘
(\w+)(\w+)(?P<id>.*)
48
3
{‘id‘: 3
‘‘‘

pattern的方法：

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 
      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()无法成功匹配 
      match = pattern.search(‘hello world!‘) 
       
      if match: 
          # 使用Match获得分组信息 
          print match.group() 
       
      ### 输出 ### 
      # world

      3、split(string[,maxsplit])|re.split(pattern,string[,maxsplit])
      将pattern作为分隔符，分割string，分割后返回列表

      import re
       
      p = re.compile(r‘\d+‘)
      print p.split(‘one1two2three3four4‘)
       
      ### output ###
      # [‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘‘]

      4、findall,找到所有的匹配对象，返回一个列表

      import re
       
      p = re.compile(r‘\d+‘)
      print p.findall(‘one1two2three3four4‘)
       
      ### output ###
      # [‘1‘, ‘2‘, ‘3‘, ‘4‘]

      5、finditer,找到所有匹配对象，按顺序返回一个所有匹配对象的迭代器

      import re
       
      p = re.compile(r‘\d+‘)
      for m in p.finditer(‘one1two2three3four4‘):
          print m.group(),
       
      ### output ###
      # 1 2 3 4

      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。

      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!

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