正则表达式之python实现

前文：

首先，什么叫正则表达式（Regular Expression）？

    例如我们要判断字符串"adi_e32fv,Ls"里面是否含有子串"e32f"，又例如我们在一个含百万个姓名的txt文件中找姓“王”，名字以“五”结尾的名字，然后打印出来。结果为：“王五”、“王小五”、“王大五”、“王小小五”……

    以前我们是使用字符串函数来查找的，但是代码实现起来会很复杂。如今用正则表达式只需要一句 re.findall('王.*？五',txt1) 就可以了！正则表达式是写网络爬虫的最基本的知识，可以用正则表达式在html中搜集满足某些字串要求的网址。下面是个人对正则表达式基础知识的一些总结。

（操作环境：32位Win8系统，运行工具：python2.7.9+Eclipse.）

正文：

1、首先要导入python的re模块。

2、元字符 . ^ $ * + ? {} [] | ()

re模块中的findall（str1，str2）方法返回字串str2中匹配str1格式的字串。例如在字符串'dit dot det,dct dit dot'中匹配'dit'结果为：    

str1 = 'dit dot det,dct dit dot'
print re.findall('dit',str1)

结果：['dit', 'dit']

|作用：'dit|dct'表示dit或者dct。

<span style="font-family:KaiTi_GB2312;">str1 = 'dit dot det,dct dit dot'
print re.findall('dit|dct',str1)</span>

结果：['dit', 'dct', 'dit']

[]作用：[ic]表示i或c，例如'd[ic]t'表示dit和dct两者，和'dit|dct'等价：

str1 = 'dit dot det,dct dit dot'
print re.findall('d[ic]t',str1)

结果：['dit', 'dct', 'dit']

^作用一：[^ic]中^表示否定，即除了i和c：

str1 = 'dit dot det,dct dit dot'
print re.findall('d[^ic]t',str1)

结果：['dot', 'det', 'dot']

^作用二：^dit表示子串dit在开头位置，而dct不是在开头：

str1 = 'dit dot det,dct dit dot'
print re.findall('^dit',str1)
print re.findall('^dct',str1)

结果：['dit'][]

$作用：dot$表示子串dot要在末尾位置，而dct不是在末尾：

str1 = 'dit dot det,dct dit dot'
print re.findall('dot$',str1)
print re.findall('dct$',str1)

结果：['dot'][]

.作用：d.t表示d与t之间省略了一个任意字符：

str1 = 'dit dot det,dct dit dot'
print re.findall('d.t',str1)

结果：['dit', 'dot', 'det', 'dct', 'dit', 'dot']

+作用：di+t表示d与t之间省略了一个或多个'i'：

str1 = '<span style="font-family: KaiTi_GB2312;">d dt dit diit det</span><span style="font-family: KaiTi_GB2312;">'</span>
print re.findall('d.+t',str1)

结果：['dit', 'diit']

*作用：di*t表示d与t之间省略了零个至多个'i'：

str1 = '<span style="font-family: KaiTi_GB2312;">d dt dit diit det</span><span style="font-family: KaiTi_GB2312;">'</span>
print re.findall('d.*t',str1)

结果：['dt', 'dit', 'diit']

经常，'.'和'+'或者'*'搭配使用。'.+'表示省略了一个至多个任意元素，'.*'表示省略了零个至多个任意元素：

<span style="font-family:KaiTi_GB2312;">str1 = 'd dt dit diit det'
print re.findall('d.+t',str1)
print re.findall('d.*t',str1)</span>

结果：['d dt dit diit det']['d dt dit diit det']

？作用一：看.+的匹配结果，'dit'、'dot'也满足'd.+t'的匹配条件，而输出的却是满足匹配条件的最长子串'dit dot det,dct dit dot'，这个叫贪婪匹配。如果要输出最短的匹配字串，只需在'+'后面加上'？'：（注：对于'*'也是一样，只需在'*'后面加上'？'）

str1 = '<span style="font-family: KaiTi_GB2312;">d dt dit diit det'</span>
print re.findall('d.+?t',str1)

结果：['dit', 'dot', 'det', 'dct', 'dit', 'dot']

？作用二：di?t表示i可有可无，即dt、dit都满足匹配条件：

str1 = 'd dt dit diit det'
print re.findall('di?t',str1)

结果：['dt', 'dit']

{}作用一：di{n}t表示d和t之间有n个'i'：

str1 = 'dt dit diit diiit diiiit'
print re.findall('di{2}t',str1)

结果：['diit']

{}作用二：di{n,m}t表示d和t之间有n到m个'i'：

str1 = 'dt dit diit diiit diiiit'
print re.findall('di{1,3}t',str1)

结果：['dit', 'diit', 'diiit']

其中，n和m都是可以省略的。{n,}表示n个到任意个；{,m}表示0个到m个；{,}表示任意个，和'*'功能一样：

str1 = 'dt dit diit diiit diiiit'
print re.findall('di{1,}t',str1)
print re.findall('di{,3}t',str1)
print re.findall('di{,}t',str1)

结果：['dit', 'diit', 'diiit', 'diiiit']
      ['dt', 'dit', 'diit', 'diiit']
      ['dt', 'dit', 'diit', 'diiit', 'diiiit']

作用一：取消元字符，变成转义字符：

<span style="font-family:KaiTi_GB2312;">str1 = '^abc ^abc'
print re.findall('^abc',str1)
print re.findall('^abc',str1)</span>

结果：[]['^abc', '^abc']

作用二：预定义字符

str1 = '12 abc 345 efgh'
print re.findall('d+',str1)
print re.findall('w+',str1)

结果：['12', '345']

      ['12', 'abc', '345', 'efgh']

()作用：在匹配字符串后，只输出匹配字串'()'里面的内容：

str1 = '12abcd34'
print re.findall('12abcd34',str1)
print re.findall('1(2a)bcd34',str1)
print re.findall('1(2a)bc(d3)4',str1)

结果：['12abcd34']
      ['2a']
      [('2a', 'd3')]

3、re模块里的主要方法：findall()、finditer()、match()、search()、compile()、split()、sub()、subn()。

re.findall(pattern,string,flags = 0)

作用：在string中从左往右搜索与pattern匹配的字串，结果以list形式返回。

<span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'ab cd'
print re.findall('w+',str1)</span>

结果：['ab', 'cd']

re.finditer(pattern,string,flags = 0)

作用：其功能与re.findall相同，但结果以迭代器的形式返回。

<span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'ab cd'
iter1 = re.finditer('w+',str1)
for a in iter1:
    print a.group(),a.span()</span>

结果：ab (0, 2)
      cd (3, 5)

（注：a.group()返回满足匹配调节的字串，a.span()返回字串的起始位置和末尾位置）

re.search(pattern,string,flags = 0)

作用：在string中从左往右搜索与pattern匹配的字串，无匹配结果则返回None，否则返回一个search实例。

<pre name="code" class="python"><span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'ab cd'
result = re.search('cd',str1)
if result == None:
    print 'None'
else:
    print result.group(),result.start(),result.end()</span>

结果：cd 3 5

re.match(pattern,string,flags = 0)

作用：判断string的头部是否与pattern匹配，是则返回match实例，否则返回None。

<span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'ab cd'
result = re.match('cd',str1)
if result == None:
    print 'None'
else:
    print result.group(),result.start(),result.end()</span>

结果：None

re.compile(pattern,flags = 0)

作用：对匹配格式pattern进行编译，返回一个实例对象。对正则表达式先编译，可以大幅提高匹配速度。

<span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'ab cd'
pre = re.compile('ab')
print pre.findall(str1)</span>

结果：['ab']

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

作用：在string匹配pattern的时候做分割：

<span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'ab.c.de'
str2 = '12+34-56*78/90'
print re.split('.',str1)
print re.split('[+-*/]',str2)</span>

结果：['ab', 'c', 'de']
      ['12', '34', '56', '78', '90']

re.sub(pattern,repl,string,count = 0,flags = 0)

作用：在string当中把满足pattern正则的字串替换成repl：

<span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'abcde'
print re.sub('bc','123',str1)</span>

结果：a123de

re.subn(pattern,repl,string,count = 0,flags = 0)

作用：其功能与re.sub()相同，但返回的结果多了一个数字，代表替换了多少次

<span style="font-family:KaiTi_GB2312;font-size:18px;">str1 = 'abcdebce'
print re.subn('bc','123',str1)</span>

结果：('a123de123e', 2)