No.12 Python 中的正則表示式使用
1. Python中如何使用正則表示式
Python中使用正則表示式的步驟如下：
- 使用
import re匯入正則表示式模組 - 使用
re.compile()建立一個物件 - 使用
Regex物件的search()方法，傳入一個字串，然後返回一個Match物件 - 呼叫
Match物件的group()方法，返回文字中匹配該正則表示式的字串
示例如下,查詢學生姓名中姓Zhang的同學姓名
import re
namelist = "Li Ming;Zhang San;Fu yu;Guo Ji;Ren Jie;Zhang Lin;"
nameRegex = re.compile(r"Zhang\s\w+")
match = 結果如下：
Zhang San
上面的程式碼中，有幾個地方需要解釋一下：
-
re.compile(r"Zhang San\s\w+")在正則表示式的前面加了一個r，標識該字元為原始字串。因為，在Python中，轉義字元前面需要加\來標記，如果你需要在字串中打出\，那麼你需要使用\\，或者在字串的前面加入一個r來標記r"Zhang San\s\w+"和"Zhang San\\s\\w+"是等價的 -
search()函式匹配文字中第一個符合該字串的結果並返回一個Match物件，Match物件的group()函式將返回被查詢到的實際文字。所以在上述結果中,我們僅得到Zhang San這個結果。如果你的正則表示式中含有分組(後續會講到)，你可以使用group(1),group(2)來查詢正則表示式中第一個，第二個分組的匹配結果。
2. 正則表示式的更多模式
1. 使用括號分組
假設，某地區的電話號碼的表示形式為123-456-7890的形式，且前三位為區號，後七位標識電話號，要求將從文字中同時獲取區號，電話號和整體的電話號碼。
程式碼和結果如下：
text = "My phone number is 455-789-1234"
pnRegex = re.compile(r"(\d\d\d)-(\d\d\d-\d\d\d\d)" 結果如下：
455-789-1234
455
789-1234
(‘455’, ‘789-1234’)
group()預設傳入引數為0，即返回整個匹配的文字。如果想獲取全體分組的結果，使用groups()函式，該函式返回一個包含所有分組匹配結果的元組。
2. 使用管道匹配多個分組
字元|是正則表示式中的管道，用來匹配許多表達式中的一個。如果想匹配姓名列表中，姓Zhang的和姓Li的同學的姓名，可以使用管道|來連線多個正則表示式。
namelist1 = "Li Ming;Zhang San;Fu yu;Guo Ji;Ren Jie;Zhang Lin;"
namelist2 = "Zhang San;Fu yu;Guo Ji;Ren Jie;Zhang Lin;Li Ming;"
nameRegex = re.compile(r"Zhang\s\w+|Li\s\w+")
match1 = nameRegex.search(namelist1)
print(match1.group())
match2 = nameRegex.search(namelist2)
print(match2.group())
結果如下：
Li Ming
Zhang San
3. 使用問號實現可選匹配
例如在之前的電話匹配中，我們希望即便有人省略區號，依然可以檢測出電話號碼。使用?來實現部分匹配的模式是可選的
text1 = "My phone number is 455-789-1234"
text2 = "My phone number is 789-1234"
pnRegex = re.compile(r"(\d\d\d-)?(\d\d\d-\d\d\d\d)")
match1 = pnRegex.search(text1)
print(match1.group())
match2 = pnRegex.search(text2)
print(match2.group())
結果如下：
455-789-1234
789-1234
4. 使用花括號匹配特定次數
假設現在我們有一串字串：
* *** ********** ** *** ****** ** ***** * ******* ***** **** ***** * *** * **
如果我們想匹配一下幾種情況：
- 恰好三個* 連在一起的，如
*** - 少於等於三個* 連在一起的，如
**,* - 連在一起的*個數大於等於四，但是小於等於五
- 大於等於六個*連在一起的，如
******
程式碼如下：
text = "* *** ********** ** **** ****** ** ***** * ******* ***** **** ***** * *** * **"
sRegex1 = re.compile(r"(\*){3}")
sRegex2 = re.compile(r"(\*){,3}")
sRegex3 = re.compile(r"(\*){4,5}")
sRegex4 = re.compile(r"(\*){6,}")
match1 = sRegex1.search(text)
match2 = sRegex2.search(text)
match3 = sRegex3.search(text)
match4 = sRegex4.search(text)
print(match1.group())
print(match2.group())
print(match3.group())
print(match4.group())
結果如下所示：
*** * ***** **********
r"(\*){3}"中，(\*)表示匹配*型字元的分組。因為 *在正則表示式中表示匹配一個或多個，所以需要使用\進行轉義，表示字元 *
花括號{n,m}，表示前面的分組重複次數大於等於n次並且小於等於m次。m和n也可省略其中一個，表示大於等於n或者小於等於m。{n}表示分組恰好重複n次。
另外，可以看到，在被匹配的文字中，長度為4的字串****排在長度為5的字串***** 前面，但是程式碼查詢到的結果是*****，這是因為預設情況下正則表示式是貪婪地，花括號的貪婪版本會盡可能的匹配更長的字串。使用字元?可以宣告正則表示式為非貪心形式
text = "* *** ********** ** *** ****** **** ***** * ******* ***** **** ***** * *** * **"
sRegex1 = re.compile(r"(\*){4,5}")
match1 = sRegex1.search(text)
sRegex2 = re.compile(r"(\*){4,5}?")
match2 = sRegex2.search(text)
print(match1.group())
print(match2.group())
結果如下：
***** ****
5. findall()方法
re模組的findall()方法返回被匹配文字中的所有匹配到的結果。
之前提到的search() 僅返回文字中第一個匹配到的結果，方法返回一個Match物件，並呼叫Match物件的group()函式獲取匹配結果
findall()匹配文字中所有匹配的結果，並且返回一個所有結果的列表。如果正則表示式中有分組，那麼findall()將返回分組的列表
比如之前的電話號的正則表示式：
text = "My phone number is 455-789-1234,Lily's phone number is 110-101-1230 and Lucy's phone number is 789-456-1245"
pnRegex = re.compile(r"(\d\d\d)-(\d\d\d-\d\d\d\d)")
reslist = pnRegex.findall(text)
print(reslist)
結果如下：
[(‘455’, ‘789-1234’), (‘110’, ‘101-1230’), (‘789’, ‘456-1245’)]
6. sub()函式和compile()函式
前面我們使用了re.compile() 來構造特定正則表示式的Regex物件，compile()函式具體的簽名如下：
def compile(pattern, flags=0)
所以我們可以在compile()追加第二個引數，實現特定功能。
例如：檢索文字中所有的Alice詞語，不區分大小寫，程式碼如下
text = "Alice is aLice,aliCe,and ALIcE.But it's not Bob."
regex = re.compile("Alice", re.IGNORECASE)
res = regex.findall(text)
print(res)
結果如下所示：
[‘Alice’, ‘aLice’, ‘aliCe’, ‘ALIcE’]
flags`的其他引數如下：
| 引數 | 縮寫 | 用途 |
|---|---|---|
| re.IGNORECASE | re.I | Perform case-insensitive matching. |
| re.LOCALE | re.L | Make \w, \W, \b, \B, dependent on the current locale. |
| re.MULTILINE | re.M | “^” matches the beginning of lines (after a newline) as well as the string. “$” matches the end of lines (before a newline) as well as the end of the string. |
| re.DOTALL | re.D | “.” matches any character at all, including the newline. |
| re.VERBOSE | re.X | Ignore whitespace and comments for nicer looking RE’s. |
| re.UNICODE | re.U | For compatibility only. Ignored for string patterns (it is the default), and forbidden for bytes patterns. |
sub()函式可以用於替換正則表示式查詢到的字串。例如，我們將之前字串中所有的Alice的姓名隱藏：
text = "Alice is aLice,aliCe,ALIcE.But it's not Bob."
regex = re.compile(r"(A)(\w+)", re.IGNORECASE)
print(regex.sub(r'\1****',text))
結果如下所示：
A**** is a****,a****,A****.But it’s not Bob.
sub（）函式第一個引數是要替換為的字串，第二個引數是匹配的正則表示式。另外在sub()函式的第一個引數中，可以使用\1,\2 …來表示替換分組1,2…中的文字
正則表示式中的常用字元表，網上資源很多，這裡不再放出來。
P.S. 文章不足之處還望指正
參考書籍：《Python程式設計快速上手—讓繁瑣工作自動化》