1.1. 正则表达式的简单介绍
正则表达式并不是python特有的,它在其他编程语言中也有运用到,它不属于任何编程语言,它是独立开来的一种用于处理字符串的强大工具,拥有自己独特的语法。
下面这个图是正则表达式的详细规则
1.2. 正则中的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。Python里当用+?*去匹配的时候默认是贪婪的,总是尝试匹配尽可能多的字符;非贪婪的则相反,总是尝试匹配尽可能少的字符,在+?*后面加个?.例如:正则表达式"xy*"如果用于查找"xyyyz",将找到"xyyyy"。而如果使用非贪婪的数量词"xy*?",将找到"x",像"xy+?",将找到"xy",像"xy??",将找到"x"。
1.3. 反斜杠
正则表达式也使用""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python表示的正则表达式里将需要4个反斜杠"\\":前面两个是转义符,后面两个是原义反斜杠,这种格式是python内部的格式要求。而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"。
2. re模块
2.1. 开始使用re
Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例,然后使用Pattern实例处理文本并获得匹配结果(一个Match实例),最后使用Match实例获得信息,进行其他的操作。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 # encoding: UTF-8 2 import re 3 4 # 将正则表达式编译成Pattern对象 5 pattern = re.compile(r'hello') 6 7 # 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None 8 match = pattern.match('hello world!') 9 10 if match: 11 # 使用Match获得分组信息 12 print match.group() 13 14 ### 输出 ### 15 # hello
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。另外,你也可以在regex字符串中指定模式,比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。
可选值有:
- re.I(re.IGNORECASE): 忽略大小写(括号内是完整写法,下同)
- M(MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图)
- S(DOTALL): 点任意匹配模式,改变'.'的行为
- L(LOCALE): 使预定字符类 w W B s S 取决于当前区域设定
- 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
- 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。以下两个正则表达式是等价的:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 a = re.compile(r"""d + # the integral part 2 . # the decimal point 3 d * # some fractional digits""", re.X) 4 b = re.compile(r"d+.d*")
re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代,唯一的好处是少写一行re.compile()代码,但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 m = re.match(r'hello', 'hello world!') 2 print m.group()
re模块还提供了一个方法escape(string),用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回,在需要大量匹配元字符时有那么一点用。
2.2. 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:
- 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<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。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 import re 2 m = re.match(r'(w+) (w+)(?P<sign>.*)', 'hello world!') 3 4 print "m.string:", m.string 5 print "m.re:", m.re 6 print "m.pos:", m.pos 7 print "m.endpos:", m.endpos 8 print "m.lastindex:", m.lastindex 9 print "m.lastgroup:", m.lastgroup 10 11 print "m.group(1,2):", m.group(1, 2) 12 print "m.groups():", m.groups() 13 print "m.groupdict():", m.groupdict() 14 print "m.start(2):", m.start(2) 15 print "m.end(2):", m.end(2) 16 print "m.span(2):", m.span(2) 17 print r"m.expand(r'2 13'):", m.expand(r'2 13') 18 19 ### output ### 20 # m.string: hello world! 21 # m.re: <_sre.SRE_Pattern object at 0x016E1A38> 22 # m.pos: 0 23 # m.endpos: 12 24 # m.lastindex: 3 25 # m.lastgroup: sign 26 # m.group(1,2): ('hello', 'world') 27 # m.groups(): ('hello', 'world', '!') 28 # m.groupdict(): {'sign': '!'} 29 # m.start(2): 6 30 # m.end(2): 11 31 # m.span(2): (6, 11) 32 # m.expand(r'2 13'): world hello!
2.3. 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。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 import re 2 p = re.compile(r'(w+) (w+)(?P<sign>.*)', re.DOTALL) 3 4 print "p.pattern:", p.pattern 5 print "p.flags:", p.flags 6 print "p.groups:", p.groups 7 print "p.groupindex:", p.groupindex 8 9 ### output ### 10 # p.pattern: (w+) (w+)(?P<sign>.*) 11 # p.flags: 16 12 # p.groups: 3 13 # p.groupindex: {'sign': 3}
实例方法[ | re模块方法]:
- 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。 - 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 2 import re 3 4 # 将正则表达式编译成Pattern对象 5 pattern = re.compile(r'world') 6 7 # 使用search()查找匹配的子串,不存在能匹配的子串时将返回None 8 # 这个例子中使用match()无法成功匹配 9 match = pattern.search('hello world!') 10 11 if match: 12 # 使用Match获得分组信息 13 print match.group() 14 15 ### 输出 ### 16 # world
- 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。
1 import re 2 3 p = re.compile(r'd+') 4 print p.split('one1two2three3four4') 5 6 ### output ### 7 # ['one', 'two', 'three', 'four', '']
- 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。
1 import re 2 3 p = re.compile(r'd+') 4 print p.findall('one1two2three3four4') 5 6 ### output ### 7 # ['1', '2', '3', '4']
- 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。
1 import re 2 3 p = re.compile(r'd+') 4 for m in p.finditer('one1two2three3four4'): 5 print m.group(), 6 7 ### output ### 8 # 1 2 3 4
- 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。
1 import re 2 3 p = re.compile(r'(w+) (w+)') 4 s = 'i say, hello world!' 5 6 print p.sub(r'2 1', s) 7 8 def func(m): 9 return m.group(1).title() + ' ' + m.group(2).title() 10 11 print p.sub(func, s) 12 13 ### output ### 14 # say i, world hello! 15 # I Say, Hello World!
- subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
1 import re 2 3 p = re.compile(r'(w+) (w+)') 4 s = 'i say, hello world!' 5 6 print p.subn(r'2 1', s) 7 8 def func(m): 9 return m.group(1).title() + ' ' + m.group(2).title() 10 11 print p.subn(func, s) 12 13 ### output ### 14 # ('say i, world hello!', 2) 15 # ('I Say, Hello World!', 2)