`
liuxinglanyue
  • 浏览: 561512 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

Python正则表达式指南

阅读更多

1. 正则表达式基础

1.1. 简单介绍

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具,拥有自己独特的语法以及一个独立的处理引擎,效率上可能不如str自带的方法,但功能十分强大。得益于这一点,在提供了正则表达式的语言里,正则表达式的语法都是一样的,区别只在于不同的编程语言实现支持的语法数量不同;但不用担心,不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式,只需要简单看一看就可以上手了。

下图展示了使用正则表达式进行匹配的流程: 
re_simple

正则表达式的大致匹配过程是:依次拿出表达式和文本中的字符比较,如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界,这个过程会稍微有一些不同,但也是很好理解的,看下图中的示例以及自己多使用几次就能明白。

下图列出了Python支持的正则表达式元字符和语法:   
pyre

1.2. 数量词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里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),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。例如:正则表达式"ab*"如果用于查找"abbbc",将找到"abbb"。而如果使用非贪婪的数量词"ab*?",将找到"a"。

1.3. 反斜杠的困扰

与大多数编程语言相同,正则表达式里使用"\"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"\",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\":前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。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"。有了原生字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。

1.4. 匹配模式

正则表达式提供了一些可用的匹配模式,比如忽略大小写、多行匹配等,这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。

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。

 

# encoding: UTF-8
02
import re
03
 
04
# 将正则表达式编译成Pattern对象
05
pattern = re.compile(r'hello')
06
 
07
# 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None
08
match = pattern.match('hello world!')
09
 
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 \B \s \S 取决于当前区域设定
  • U(UNICODE): 使预定字符类 \w \W \b \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:

 

 

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:
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:

  1. string: 匹配时使用的文本。
  2. re: 匹配时使用的Pattern对象。
  3. 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。
  4. 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。
  5. 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。
  6. 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:

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. span([group]): 
    返回(start(group), end(group))。
  7. 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。

 

import re
02
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
03
 
04
print "m.string:", m.string
05
print "m.re:", m.re
06
print "m.pos:", m.pos
07
print "m.endpos:", m.endpos
08
print "m.lastindex:", m.lastindex
09
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 \1\3'):", m.expand(r'\2 \1\3')
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 \1\3'): 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:

  1. pattern: 编译时用的表达式字符串。
  2. flags: 编译时用的匹配模式。数字形式。
  3. groups: 表达式中分组的数量。
  4. 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
02
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
03
 
04
print "p.pattern:", p.pattern
05
print "p.flags:", p.flags
06
print "p.groups:", p.groups
07
print "p.groupindex:", p.groupindex
08
 
09
### 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]:

 

  1. 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。
  2. 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。 

 

# encoding: UTF-8
02
import re
03
 
04
# 将正则表达式编译成Pattern对象
05
pattern = re.compile(r'world')
06
 
07
# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None
08
# 这个例子中使用match()无法成功匹配
09
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。 

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。 

 

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。 

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。 

import re
02
 
03
p = re.compile(r'(\w+) (\w+)')
04
s = 'i say, hello world!'
05
 
06
print p.sub(r'\2 \1', s)
07
 
08
def func(m):
09
    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)。 

import re
02
 
03
p = re.compile(r'(\w+) (\w+)')
04
s = 'i say, hello world!'
05
 
06
print p.subn(r'\2 \1', s)
07
 
08
def func(m):
09
    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)
 
分享到:
评论

相关推荐

    Python正则表达式指南.docx

    Python 正则表达式指南 Python 正则表达式指南是 Python 编程语言中对正则表达式的支持,包括正则表达式基础和 Python 正则表达式标准库的完整介绍及使用示例。 1. 正则表达式基础 正则表达式是一种强大的字符串...

    Python正则表达式指南.pdf

    Python正则表达式是处理字符串的强有力工具,它拥有独立于Python语言本身的语法和独立的处理引擎。虽然正则表达式在处理字符串时效率上可能不及Python内建的字符串处理方法,但其功能强大且使用广泛。正则表达式的...

    Python正则表达式操作指南.pdf

    ### Python正则表达式操作指南知识点总结 #### 一、Python正则表达式的引入与应用场景 - **Python正则表达式概述**: - **定义**:正则表达式(Regular Expression, RE)是一种用于匹配字符串中字符组合的工具,...

    Python正则表达式基础

    Python正则表达式基础是学习如何在Python中应用正则表达式的入门指南。正则表达式,或称为REs、regexes、regexpatterns,是能够嵌入到Python中的一个精细、高度专业化的程序语言。通过re模块,程序员得以使用这一...

    python正则表达式使用指南

    【Python正则表达式使用指南】是一篇专为Python初学者设计的教程,旨在帮助读者理解和运用Python中的正则表达式。这篇文档采用中英文对照的方式,内容清晰易懂,适合快速学习和实践。 正则表达式是用于匹配字符串的...

    Python正则表达式操作的指南.doc

    Python正则表达式操作的指南.doc

    Python正则表达式操作指南%2B-%2BUbuntu中文.pdf

    ### Python正则表达式操作指南知识点详解 #### 1. 简介 - **re模块**: Python自1.5版本起引入了`re`模块,该模块支持Perl风格的正则表达式模式。与之前的`regex`模块提供的Emacs风格相比,`re`模块更加功能强大且...

    很详细的Python正则表达式操作指南(re使用)

    ### Python正则表达式操作指南(re使用) #### 引言 正则表达式(Regular Expression,简称RE)是一种强大的文本处理工具,它提供了一种简便且灵活的方法来识别、处理和控制文本。Python自1.5版本起便内置了`re`模块...

    Python正则表达式操作指南 Python正则表达式操作指南

    本指南将深入探讨Python正则表达式的基础概念、语法、功能以及常见用法。 1. **基础概念** - 正则表达式(Regular Expression)是一种模式匹配语言,用于描述一组字符串的共同特征。 - `re`模块提供了多种函数,...

    Python正则表达式操作指南

    ### Python正则表达式操作指南知识点详解 #### 1. 简介 - **正则表达式的定义**:正则表达式(Regular Expression,简称 RE 或 regex)是一种用于匹配字符串中字符组合的模式。 - **Python支持的正则表达式模块**...

    Python正则表达式全解析:从基础到高级应用

    本文详细介绍了 Python 中正则表达式的使用,从基础语法到高级技巧,再到实际应用示例,为读者提供了一个全面的正则表达式学习指南。通过本文的学习,读者将能够熟练地在 Python 编程中应用正则表达式,解决各种文本...

    Python正则表达式操作指南.doc

    【Python正则表达式操作指南】 正则表达式在Python中扮演着重要的角色,它是一种强大的文本处理工具,用于匹配、查找、替换等操作。Python提供了`re`模块来支持正则表达式,使得开发者能够方便地处理字符串。在...

Global site tag (gtag.js) - Google Analytics