【循序渐进学Python】12.Python 正则表达式简介

正表达式就是一段匹配文本片段的模式，在Python 中 re 模块包含了对正则表达式(regular expression)的支持。

1. 正则表达式的基本概念

1. 通配符

点号( . )可以匹配换行符之外的任何单个字符，被称之为通配符。

2. 特殊字符转义

将有特殊含义的字符作为普通字符使用时需要进行转义。例如想要匹配 python.org时需要将表达式写为: python\.org 才行。

为什么使用两个反斜线？

这是为了通过解释器进行转义，需要进行两个级别的转义：1.通过解释器的转义；2.通过 re 模块转义。如果不想使用两个反斜线，可以考虑使用原始字符串，如：r'python.org'。

3. 字符集

字符集是在中括号( [] )中包含字符串。字符集可以匹配它所包含的任意字符。即'[pj]ython'可以匹配 python 和 jython 。

 使用范围

可以使用范围，如 '[a-z]' 可以匹配 a 到 z 的任意一个字符。'a-zA-Z0-9' 可以匹配任意大小写的一个字母或数字。

反转字符集

我们也可以对字符集进行反转，比如 '[^abc]' 匹配除了a、b和c之外的任何字符。

字符集中的特殊字符

特殊字符在模式中做文本字符，而不是正则表达式运算符的话需要对其进行转义。但是在字符集中并不需要，只有以三种情况下，需要将特殊字符作为普通文本使用时，需要对字符进行转义：

• ^ 脱字符作为字符集的开头
• ] 右中括号作为字符集的开头
• - 横线(字符范围)作为字符集的开头

4. 选择符合子模式

管道符号( | )是用于选择项的特殊字符。例如: 'python|ruby' 匹配python和ruby这两个单词。

子模式(subparttern)是指：使用圆括号将选择项括起来。例如 'p(ython|erl)' 匹配python和perl。

5. 可选项和重复子模式

在子模式后面加上一个问号，它就变成了一个可选项，例如：

r'(http://)?(www.)?python.org$'

上面的模式只能匹配下面的字符串：

'http://www.python.org'
'http://python.org'
'www.python.org'
'python.org'

问号表示子模式可以出现一次或者根本不出现，下面的运算符允许子模式重复多次：

• (pattern)*： 允许模式重复0次或多次
• (pattern)+： 允许模式出现一次或多次
• (pattern){m-n}： 允许模式重复m~n次

6. 字符串的开始和结尾

使用 ^ 脱字符标记字符串开始；使用美元符号 $ 标识字符串的结尾。如：

'^Python$' 

2. re 模块

re 模块包含了很多操作正则表达式的函数，以下是其中最常用的函数:

compile(pattern[, flags])               根据包含正则表达式的字符串创建模式对象
search(pattern, string[, flags])        在字符串中寻找模式
match(pattern, string[, flags])         在字符串的开始处匹配模式
split(pattern, string[, maxsplit=0])    根据模式的匹配项来分割字符串
findall(pattern, string)                列出字符串中模式的所有匹配项
sub(pat, repl, string[, count=0])       将字符串中所有pat的匹配项用repl替换
escape(string)                          将字符串中所有特殊正则表达式字符转义

下面是这些函数的的简单示例：

# --coding: utf-8 --
import re

# search
pattern = r'(http://)?(www.)?python.org$'
string = 'python.org'
if re.search(pattern,string):
    print 'found it'

# match
text = 'alpha,beta,,,,,,gamma delta'
pattern = '[,]+' # 注意+号
print re.split(pattern,text) # ['alpha', 'beta', 'gamma delta']

# findall
pattern = '[a-zA-Z]+' # 匹配单词
text = '"Hm... Err -- are you sure?" he said, sounding insecure.'
# ['Hm', 'Err', 'are', 'you', 'sure', 'he', 'said', 'sounding', 'insecure']
print re.findall(pattern,text) 

pattern = r'[.?-",]' # 匹配标点符号
# ['"', '.', '.', '.', '-', '-', '?', '"', ',', '.']
print re.findall(pattern,text)

# sub
pattern = '{name}'
text = 'Dear {name}...'
print re.sub(pattern, 'Mr. Gumby', text) # Dear Mr. Gumby...

# escape
print re.escape('www.python.org') # www.python.org
print re.escape('But where is the ambiguity?') # But where is the ambiguity?

2.1 匹配对象和组

当 re 模块中对字符串进行匹配的函数找到匹配项时，就会返回一个 MatchObject 对象。

组的概念

该对象包含了匹配模式的子字符串的信息，这些信息由组(group)构成。简而言之，组就是放置在圆括号内的子模式。组的序号取决于它左侧的括号数。组0就是整个模式。在下面的模式中：

'There (was a (wee) (cooper)) who (lived in Fyfe)'

包含这些组：

0   There was a wee cooper who lived in Fyfe
1   was a wee cooper
2   wee
3   cooper
4   lived in Fyfe

下面是 re 匹配对象的常用方法：

group([group1], ...])           获取给定子模式(组)的匹配项
start([start])                  返回给定组匹配项的开始位置(返回结果是索引从0开始)
end([end])                      返回给定组匹配项的结束位置(返回结果是索引加1，和分片一样，不包括组的结束位置)
span([group])                   返回一个组的开始和结束位置

示例如下：

import re

m = re.match(r'www.(.*)..{3}','www.python.org')
print m.group(1) # python
print m.start(1) # 4
print m.end(1) # 10
print m.span(1) # (4, 10)

除了整体匹配以为(组0)，只能使用99个组，即组的范围在1-99之间

2.2 使用re的替换函数

通过使用 re.sub 函数和组号的结合，还可以实现更加复杂的字符串提供功能，如下所示：

import re

emphasis_pattern = r'*([^*]+)*'

# hello, <em>world</em>!
print re.sub(emphasis_pattern,r'<em>1</em>','hello, *world*!')

贪婪模式和非贪婪模式

重复运算符默认是贪婪的( greedy),它会进行尽可能多的匹配。如下面的模式使用的就是贪婪模式：

import re

emphasis_pattern = r'*(.+)*'
text = '*This* is *it*'
# <em>This* is *it<em>
print re.sub(emphasis_pattern,r'<em>1<em>',text)

非贪婪模式和贪婪模式相反，它会尽可能少的匹配。将重复运算符变成非贪婪模式只需要在其后加一个问号( ? )即可：

import re

emphasis_pattern = r'*(.+?)*'
text = '*This* is *it*'
# <em>This<em> is <em>it<em>
print re.sub(emphasis_pattern,r'<em>1<em>',text)

参考资料&进一步阅读

Python Doc —— re 模块

Python基础教程(第二版)