python正则表达式

一：简介

正则表达式是处理字符串的强大工具，拥有独特的语法和独立的处理引擎。

我们在大文本中匹配字符串时，有些情况用str自带的函数(比如find, in)可能可以完成，有些情况会稍稍复杂一些(比如说找出所有“像邮箱”的字符串)，这个时候我们需要一个某种模式的工具，这个时候正则表达式就派上用场了。

说起来正则表达式效率上可能不如str自带的方法，但匹配功能实在强大太多。对啦，正则表达式不是Python独有的，如果已经在其他语言里使用过正则表达式，这里的说明只需要简单看一看就可以上手啦。

二：语法

直接上图：俗称python正则表达式小抄。

[u4e00-u9fa5] 匹配汉字

三：python中的re模块

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤：

1. 将正则表达式的字符串形式编译为Pattem实例。
2. 使用Pattem实例处理文本并获得匹配结果。
3. 使用Match实例获得信息，进行其他的操作。

import re
# 将正则表达式编译成Pattern对象
pattern = re.compile('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, felix! How are you?')
if match:
    # 使用Match获得分组信息
    print(match.group())
# 结果输出 hello, felix!

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。

当然，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)等价于re.compile('(?im)pattern')

flag可选值有：

• re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
• re.M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
• re.S(DOTALL): 点任意匹配模式，改变'.'的行为
• re.L(LOCALE): 使预定字符类 w W  B s S 取决于当前区域设定
• re.U(UNICODE): 使预定字符类 w W  B s S d D 取决于unicode定义的字符属性
• re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

# 这两句等价
regex_1 = re.compile(r"""d +  # 数字部分
                         .    # 小数点部分
                         d *  # 小数的数字部分""", re.X)
regex_2 = re.compile(r"d+.d*")

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。

match属性：

• string: 匹配时使用的文本。
• re: 匹配时使用的Pattern对象。
• 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。
• 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。
• 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。
• 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：

• 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。
• 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。
• 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。
• 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。
• 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。
• span([group]): 
  返回(start(group), end(group))。
• 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、g引用分组，但不能使用编号0。id与g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 felix!')
print("m.string:", m.string)  # m.string: hello felix!
print("m.re:", m.re)  # m.re: re.compile('(\w+) (\w+)(?P<sign>.*)')
print("m.pos:", m.pos)  # m.pos: 0
print("m.endpos:", m.endpos)  # m.endpos: 12
print("m.lastindex:", m.lastindex)  # m.lastindex: 3
print("m.lastgroup:", m.lastgroup)  # m.lastgroup: sign
print("m.group(1,2):", m.group(1, 2))  # m.group(1,2): ('hello', 'felix')
print("m.groups():", m.groups())  # m.groups(): ('hello', 'felix', '!')
print("m.groupdict():", m.groupdict())  # m.groupdict(): {'sign': '!'}
print("m.start(2):", m.start(2))  # m.start(2): 6
print("m.end(2):", m.end(2))  # m.end(2): 11
print("m.span(2):", m.span(2))  # m.span(2): (6, 11)
print(r"m.expand(r'2 13'):", m.expand(r'2 13'))  # m.expand(r'2 13'): felix hello!

Pattern

Pattern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，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

• pattern: 编译时用的表达式字符串。
• flags: 编译时用的匹配模式。数字形式。
• groups: 表达式中分组的数量。
• groupindex: 以表达式中有别名的组的别名为键、以该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<sign>.*)', re.DOTALL)
print("p.pattern:", p.pattern)  # p.pattern: (w+) (w+)(?P<sign>.*)
print("p.flags:", p.flags)  # p.flags: 48
print("p.groups:", p.groups)  # p.groups: 3
print("p.groupindex:", p.groupindex)  # p.groupindex: {'sign': 3}

使用pattern

• 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。（从开始位置匹配，不匹配则返回）
• pos和endpos的默认值分别为0和len(string)。 
  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'$'。
• search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
  这个方法从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。（扫描整个string匹配）
  • pos和endpos的默认值分别为0和len(string))　　
• split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
  • 按照能够匹配的子串将string分割后返回列表。
  • maxsplit用于指定最大分割次数，不指定将全部分割。
• findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
  • 搜索string，以列表形式返回全部能匹配的子串。
• finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
  • 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
• 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、g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。
• subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
  • 返回 (sub(repl, string[, count]), 替换次数)。

import re

print(re.match('super', 'superstition').span())  # (0, 5)
print(re.search('super', 'superstition').span())  # (0, 5)
print(re.match('super', 'insuperstition'))  # None
print(re.search('super', 'insuperstition').span())  # (2, 7)

p1 = re.compile(r'd+')
print(p1.split('one1two2three3four4'))  # ['one', 'two', 'three', 'four', '']

p2 = re.compile(r'd+')
print(p2.findall('one1two2three3four4'))  # ['1', '2', '3', '4']

p3 = re.compile(r'd+')
for m in p3.finditer('one1two2three3four4'):
    print(m.group())  # 1 2 3 4


def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()


p4 = re.compile(r'(w+) (w+)')
s = 'i say, hello felix!'
print(p4.sub(r'2 1', s))  # say i, felix hello!
print(p4.sub(func, s))  # I Say, Hello Felix!
p5 = re.compile(r'(w+) (w+)')
s2 = 'i say, hello felix!'
print(p5.subn(r'2 1', s2))  # ('say i, felix hello!', 2)
print(p5.subn(func, s2))  # ('I Say, Hello Felix!', 2)