1. 程式人生 > >Python正則表達式基礎指南

Python正則表達式基礎指南

code 表示 sca rep 返回 space 叠代 png 比較

1. 正則表達式基礎

1.1. 簡單介紹

正則表達式並不是Python的一部分。正則表達式是用於處理字符串的強大工具,擁有自己獨特的語法以及一個獨立的處理引擎,效率上可能不如str自帶的方法,但功能十分強大。得益於這一點,在提供了正則表達式的語言裏,正則表達式的語法都是一樣的,區別只在於不同的編程語言實現支持的語法數量不同;但不用擔心,不被支持的語法通常是不常用的部分。如果已經在其他語言裏使用過正則表達式,只需要簡單看一看就可以上手了。

下圖展示了使用正則表達式進行匹配的流程:
技術分享圖片

正則表達式的大致匹配過程是:依次拿出表達式和文本中的字符比較,如果每一個字符都能匹配,則匹配成功;一旦有匹配不成功的字符則匹配失敗。如果表達式中有量詞或邊界,這個過程會稍微有一些不同,但也是很好理解的,看下圖中的示例以及自己多使用幾次就能明白。

下圖列出了Python支持的正則表達式元字符和語法:
技術分享圖片

1.2. 數量詞的貪婪模式與非貪婪模式

正則表達式通常用於在文本中查找匹配的字符串。Python裏數量詞默認是貪婪的(在少數語言裏也可能是默認非貪婪),總是嘗試匹配盡可能多的字符;非貪婪的則相反,總是嘗試匹配盡可能少的字符。例如:正則表達式"ab*"如果用於查找"abbbc",將找到"abbb"。而如果使用非貪婪的數量詞"ab*?",將找到"a"。

1.3. 反斜杠的困擾

與大多數編程語言相同,正則表達式裏使用"\"作為轉義字符,這就可能造成反斜杠困擾。假如你需要匹配文本中的字符"\",那麽使用編程語言表示的正則表達式裏將需要4個反斜杠"\\\\":前兩個和後兩個分別用於在編程語言裏轉義成反斜杠,轉換成兩個反斜杠後再在正則表達式裏轉義成一個反斜杠。Python裏的原生字符串很好地解決了這個問題,這個例子中的正則表達式可以使用r"\\"表示。同樣,匹配一個數字的"\\d"可以寫成r"\d"。有了原生字符串,你再也不用擔心是不是漏寫了反斜杠,寫出來的表達式也更直觀。

1.4. 匹配模式

正則表達式提供了一些可用的匹配模式,比如忽略大小寫、多行匹配等,這部分內容將在Pattern類的工廠方法re.compile(pattern[, flags])中一起介紹。

2. re模塊

2.1. 開始使用re

Python通過re模塊提供對正則表達式的支持。使用re的一般步驟是先將正則表達式的字符串形式編譯為Pattern實例,然後使用Pattern實例處理文本並獲得匹配結果(一個Match實例),最後使用Match實例獲得信息,進行其他的操作。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 # encoding: UTF-8 import re # 將正則表達式編譯成Pattern對象 pattern = re.compile(r‘hello‘) # 使用Pattern匹配文本,獲得匹配結果,無法匹配時將返回None match = pattern.match(‘hello world!‘) if match: # 使用Match獲得分組信息 print match.group() ### 輸出 ### # hello

re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法,用於將字符串形式的正則表達式編譯為Pattern對象。 第二個參數flag是匹配模式,取值可以使用按位或運算符‘|‘表示同時生效,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)與re.compile(‘(?im)pattern‘)是等價的。
可選值有:

  • re.I(re.IGNORECASE): 忽略大小寫(括號內是完整寫法,下同)
  • M(MULTILINE): 多行模式,改變‘^‘和‘$‘的行為(參見上圖)
  • S(DOTALL): 點任意匹配模式,改變‘.‘的行為
  • L(LOCALE): 使預定字符類 \w \W \b \B \s \S 取決於當前區域設定
  • U(UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決於unicode定義的字符屬性
  • X(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行,忽略空白字符,並可以加入註釋。以下兩個正則表達式是等價的:
1 2 3 4 a = re.compile(r"""\d + # the integral part \. # the decimal point \d * # some fractional digits""", re.X) b = re.compile(r"\d+\.\d*")

re提供了眾多模塊方法用於完成正則表達式的功能。這些方法可以使用Pattern實例的相應方法替代,唯一的好處是少寫一行re.compile()代碼,但同時也無法復用編譯後的Pattern對象。這些方法將在Pattern類的實例方法部分一起介紹。如上面這個例子可以簡寫為:

1 2 m = re.match(r‘hello‘, ‘hello world!‘) print m.group()

re模塊還提供了一個方法escape(string),用於將string中的正則表達式元字符如*/+/?等之前加上轉義符再返回,在需要大量匹配元字符時有那麽一點用。

2.2. Match

Match對象是一次匹配的結果,包含了很多關於此次匹配的信息,可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性:

  1. string: 匹配時使用的文本。
  2. re: 匹配時使用的Pattern對象。
  3. pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
  4. endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
  5. lastindex: 最後一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組,將為None。
  6. lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組,將為None。

方法:

  1. group([group1, …]):
    獲得一個或多個分組截獲的字符串;指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名;編號0代表整個匹配的子串;不填寫參數時,返回group(0);沒有截獲字符串的組返回None;截獲了多次的組返回最後一次截獲的子串。
  2. groups([default]):
    以元組形式返回全部分組截獲的字符串。相當於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代,默認為None。
  3. groupdict([default]):
    返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典,沒有別名的組不包含在內。default含義同上。
  4. start([group]):
    返回指定的組截獲的子串在string中的起始索引(子串第一個字符的索引)。group默認值為0。
  5. end([group]):
    返回指定的組截獲的子串在string中的結束索引(子串最後一個字符的索引+1)。group默認值為0。
  6. span([group]):
    返回(start(group), end(group))。
  7. expand(template):
    將匹配到的分組代入template中然後返回。template中可以使用\id或\g<id>、\g<name>引用分組,但不能使用編號0。\id與\g<id>是等價的;但\10將被認為是第10個分組,如果你想表達\1之後是字符‘0‘,只能使用\g<1>0。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 import re m = re.match(r‘(\w+) (\w+)(?P<sign>.*)‘, ‘hello world!‘) print "m.string:", m.string print "m.re:", m.re print "m.pos:", m.pos print "m.endpos:", m.endpos print "m.lastindex:", m.lastindex print "m.lastgroup:", m.lastgroup print "m.group(1,2):", m.group(1, 2) print "m.groups():", m.groups() print "m.groupdict():", m.groupdict() print "m.start(2):", m.start(2) print "m.end(2):", m.end(2) print "m.span(2):", m.span(2) print r"m.expand(r‘\2 \1\3‘):", m.expand(r‘\2 \1\3‘) ### output ### # m.string: hello world! # m.re: <_sre.SRE_Pattern object at 0x016E1A38> # m.pos: 0 # m.endpos: 12 # m.lastindex: 3 # m.lastgroup: sign # m.group(1,2): (‘hello‘, ‘world‘) # m.groups(): (‘hello‘, ‘world‘, ‘!‘) # m.groupdict(): {‘sign‘: ‘!‘} # m.start(2): 6 # m.end(2): 11 # m.span(2): (6, 11) # m.expand(r‘\2 \1\3‘): world hello!

2.3. Pattern

Pattern對象是一個編譯好的正則表達式,通過Pattern提供的一系列方法可以對文本進行匹配查找。

Pattern不能直接實例化,必須使用re.compile()進行構造。

Pattern提供了幾個可讀屬性用於獲取表達式的相關信息:

  1. pattern: 編譯時用的表達式字符串。
  2. flags: 編譯時用的匹配模式。數字形式。
  3. groups: 表達式中分組的數量。
  4. groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典,沒有別名的組不包含在內。
1 2 3 4 5 6 7 8 9 10 11 12 13 import re p = re.compile(r‘(\w+) (\w+)(?P<sign>.*)‘, re.DOTALL) print "p.pattern:", p.pattern print "p.flags:", p.flags print "p.groups:", p.groups print "p.groupindex:", p.groupindex ### output ### # p.pattern: (\w+) (\w+)(?P<sign>.*) # p.flags: 16 # p.groups: 3 # p.groupindex: {‘sign‘: 3}

實例方法[ | re模塊方法]:

  1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
    這個方法將從string的pos下標處起嘗試匹配pattern;如果pattern結束時仍可匹配,則返回一個Match對象;如果匹配過程中pattern無法匹配,或者匹配未結束就已到達endpos,則返回None。
    pos和endpos的默認值分別為0和len(string);re.match()無法指定這兩個參數,參數flags用於編譯pattern時指定匹配模式。
    註意:這個方法並不是完全匹配。當pattern結束時若string還有剩余字符,仍然視為成功。想要完全匹配,可以在表達式末尾加上邊界匹配符‘$‘。
    示例參見2.1小節。
  2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
    這個方法用於查找字符串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern,如果pattern結束時仍可匹配,則返回一個Match對象;若無法匹配,則將pos加1後重新嘗試匹配;直到pos=endpos時仍無法匹配則返回None。
    pos和endpos的默認值分別為0和len(string));re.search()無法指定這兩個參數,參數flags用於編譯pattern時指定匹配模式。
    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 # encoding: UTF-8 import re # 將正則表達式編譯成Pattern對象 pattern = re.compile(r‘world‘) # 使用search()查找匹配的子串,不存在能匹配的子串時將返回None # 這個例子中使用match()無法成功匹配 match = pattern.search(‘hello world!‘) if match: # 使用Match獲得分組信息 print match.group() ### 輸出 ### # world
  3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
    按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數,不指定將全部分割。
    1 2 3 4 5 6 7 import re p = re.compile(r‘\d+‘) print p.split(‘one1two2three3four4‘) ### output ### # [‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘‘]
  4. 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 2 3 4 5 6 7 import re p = re.compile(r‘\d+‘) print p.findall(‘one1two2three3four4‘) ### output ### # [‘1‘, ‘2‘, ‘3‘, ‘4‘]
  5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
    搜索string,返回一個順序訪問每一個匹配結果(Match對象)的叠代器。
    1 2 3 4 5 6 7 8 import re p = re.compile(r‘\d+‘) for m in p.finditer(‘one1two2three3four4‘): print m.group(), ### output ### # 1 2 3 4
  6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
    使用repl替換string中每一個匹配的子串後返回替換後的字符串。
    當repl是一個字符串時,可以使用\id或\g<id>、\g<name>引用分組,但不能使用編號0。
    當repl是一個方法時,這個方法應當只接受一個參數(Match對象),並返回一個字符串用於替換(返回的字符串中不能再引用分組)。
    count用於指定最多替換次數,不指定時全部替換。
    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 import re p = re.compile(r‘(\w+) (\w+)‘) s = ‘i say, hello world!‘ print p.sub(r‘\2 \1‘, s) def func(m): return m.group(1).title() + ‘ ‘ + m.group(2).title() print p.sub(func, s) ### output ### # say i, world hello! # I Say, Hello World!
  7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
    返回 (sub(repl, string[, count]), 替換次數)。
    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 import re p = re.compile(r‘(\w+) (\w+)‘) s = ‘i say, hello world!‘ print p.subn(r‘\2 \1‘, s) def func(m): return m.group(1).title() + ‘ ‘ + m.group(2).title() print p.subn(func, s) ### output ### # (‘say i, world hello!‘, 2) # (‘I Say, Hello World!‘, 2)

以上就是Python對於正則表達式的支持。本文轉自原文地址:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html;

只是感覺總結得挺好,保存一份,留著自己以後待查,如有侵犯,請聯系我將盡快刪除,再次感謝作者!!!

Python正則表達式基礎指南