Python正则式初探

先介绍下最常见的元字符metacharacter：

literal      匹配字符串的值    foo

re1|re2   匹配正则式re1或re2    foo|bar

.              匹配一个任何字符（换行符除外）  b.b

^              匹配字符串开始           ^Dear

$             匹配字符串结束            /bin/*sh$

*              匹配前面出现的零次或多次      [A-Za-z0-9]*

+             匹配前面出现的一次或多次       [a-z]+\.com

?             匹配前面出现的零次或一次       goo?

{N}          匹配前面出现的正则式N次         [0-9]{3}

{M,N}       匹配前面出现的M次到N次         [0-9]{5,9}

[...]          匹配字符组里出现任意一个字符        [aeiou]

[...x-y...]   匹配从字符x到y中的任意一个字符     [A-Za-z]

[^...]         匹配不在字符集中的任意一个字符     [^A-Za-z]

(*|+|?|{})? 用于上面出现的任何“非贪婪”版本重复匹配次数         .*?[a-z]

(...)          匹配封闭括号中的正则式，并保存为子组         ([0-9]{3})?

 

接下来再介绍几个特殊字符：

\d            匹配任何一个数字字符，和[0-9]一样，\D是\d的反义词，表示任何一个非数字字符       data\d+\.txt

\w            匹配任何一个数字字母下划线字符，和[A-Za-z0-9_]相同，\W跟\w相反      [A-Za-z_]\w+

\s             匹配任何一个空白符，和[\n\t\r\v\f ]相同， \S是\s的反义

\b             匹配单词边界，\B是\b的反义          \bThe\b

\nn           匹配已保存的子组          price:\16

\c             逐一匹配特殊字符c，即取消它的特殊含义，按字面匹配    \.    \\,    \*

\A(\Z)       匹配字符串的起始(结束)，跟^$是意义一样

 

再用一张图解释全部：

 

★ 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(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）

   re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）

    re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为

    re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定

    re.U(全拼：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

    re.X(全拼：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。 

 

解释下“非贪婪”匹配?

当表示重复次数的元字符(*+?{m,n})单独使用时会尽量吸收更多的字符，一直吸到不匹配为止，榨干你丫的。哈哈哈。

而上面的(*+?{m,n})后面接了?后，就表示非贪婪匹配，匹配最短的，留下尽可能多的字符给后面的模式(如果存在)。

 

 使用compile()编译正则表达式后，将正则式模式编译成regex对象，以后重复使用这个对象的时候可以提升执行的性能。

 

m = re.match('\w\w\w-\d\d\d', 'abc-123')
if m is not None:
    print(m.group())
m = re.match('\w+\w+\w+-\d\d\d', 'abc-123')
if m is not None:
    print(m.group())
m = re.match('\w+?\w+?\w+?-\d\d\d', 'abc-123')
if m is not None:
    print(m.group())

 

哥原本以为那啥\w+会做贪婪匹配，弄的后面的两个\w+没得匹配，但是三个结果都一样啊。神马原因？

请看下面的：

m = re.match(r'(\w+)(\w+)(\w+)-\d\d\d', 'abcdefgh-123')
if m is not None:
    print(m.group())
    print(m.group(1))
    print(m.group(2))

 输出：

abcdefgh-123

abcdef

g

贪婪算法是：我前面的尽可能多的匹配更多，但是我会保证后面的也能匹配的前提下，自己捞的越多越好，这个就跟贪官一样，反正我给后面的那些平民百姓保本的东西，让他们饿不死就行，自己捞的越多越好，真他吗的黑心啊。

所以第一组中的(\w+)匹配了abcdef，留下两个gh给后面去抢。每人分一个，最小满足后面的。

 

来来来，再看几个例子：

 

import re
__author__ = 'Xiong Neng'

# group示例
data = 'Thu'
patt1 = r'^(\w{3})'
m = re.match(patt1, data)
print(m.group(1))
patt2 = r'^(\w){3}'
m = re.match(patt2, data)
print(m.group(1))

# 贪婪匹配
data = "Sat Mar 21 09:20:57 2009::[e-mail]::1237598457-6-9"
# 获取最后的那三个连字符连起来的三个数，
# 搜索比匹配更合适，因为不在开头
patt = r'\d+-\d+-\d+'
print(re.search(patt, data).group())  # 打印出  1237598457-6-9
# 使用匹配，必须用到group
patt = r'.+(\d+-\d+-\d+)'
print(re.match(patt, data).group(1))  # 打印出  7-6-9，知道贪婪的厉害了吧。哈哈
# 接下来使用非贪婪操作符?
patt = r'.+?(\d+-\d+-\d+)'
print(re.match(patt, data).group(1))  # 打印出  1237598457-6-9
# 只获取三个数的中间那个数字：
patt = r'-(\d+)-'
print(re.search(patt, data).group())   # 打印-6-
print(re.search(patt, data).group(1))  # 打印6

# 建议阅读Jeffrey E. F. Friedl编写的《精通正则表达式》（Mastering Regular Expression）

 

最后是几个小练习：

# 匹配所有整形字符串
patt = r'\d+'
# 匹配长整形
patt = r'\d+[lL]'
# 匹配浮点型
patt = r'(-?(\d+\.\d*|\d*\.\d+))([eE]-?\d+)?'
print(re.match(patt, '-.2e-22').group())
print(re.match(patt, '23.23056e-23').group())
# 匹配所有复数
patt = r'(-?(\d+\.\d*|\d*\.\d+))([eE]-?\d+)?\s*[+-]\s*(\d+\.\d*|\d*\.\d+)([eE]-?\d+)?[jJ]'
print(re.match(patt, '-.2e-22   -   32.E21J').group())
print(-.2e-22    -    32.E21J)

 

本人博客已搬家，新地址为：http://www.pycoding.com/