python正则
本文介紹了Python對于正則表達(dá)式的支持，包括正則表達(dá)式基礎(chǔ)以及Python正則表達(dá)式標(biāo)準(zhǔn)庫的完整介紹及使用示例。本文的內(nèi)容不包括如何編寫高效的正則表達(dá)式、如何優(yōu)化正則表達(dá)式，這些主題請查看其他教程。
注意：本文基于Python2.4完成；如果看到不明白的詞匯請記得百度谷歌或維基，whatever。
尊重作者的勞動，轉(zhuǎn)載請注明作者及原文地址 >.<html
1. 正則表達(dá)式基礎(chǔ)
1.1. 簡單介紹
正則表達(dá)式并不是Python的一部分。正則表達(dá)式是用于處理字符串的強(qiáng)大工具，擁有自己獨(dú)特的語法以及一個獨(dú)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(qiáng)大。得益于這一點，在提供了正則表達(dá)式的語言里，正則表達(dá)式的語法都是一樣的，區(qū)別只在于不同的編程語言實現(xiàn)支持的語法數(shù)量不同；但不用擔(dān)心，不被支持的語法通常是不常用的部分。如果已經(jīng)在其他語言里使用過正則表達(dá)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(dá)式進(jìn)行匹配的流程：?
正則表達(dá)式的大致匹配過程是：依次拿出表達(dá)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(dá)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(dá)式元字符和語法：???
1.2. 數(shù)量詞的貪婪模式與非貪婪模式
正則表達(dá)式通常用于在文本中查找匹配的字符串。Python里數(shù)量詞默認(rèn)是貪婪的（在少數(shù)語言里也可能是默認(rèn)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(dá)式"ab*"如果用于查找"abbbc"，將找到"abbb"。而如果使用非貪婪的數(shù)量詞"ab*?"，將找到"a"。
1.3. 反斜杠的困擾
與大多數(shù)編程語言相同，正則表達(dá)式里使用"\"作為轉(zhuǎn)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"\"，那么使用編程語言表示的正則表達(dá)式里將需要4個反斜杠"\\\\"：前兩個和后兩個分別用于在編程語言里轉(zhuǎn)義成反斜杠，轉(zhuǎn)換成兩個反斜杠后再在正則表達(dá)式里轉(zhuǎn)義成一個反斜杠。Python里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(dá)式可以使用r"\\"表示。同樣，匹配一個數(shù)字的"\\d"可以寫成r"\d"。有了原生字符串，你再也不用擔(dān)心是不是漏寫了反斜杠，寫出來的表達(dá)式也更直觀。
1.4. 匹配模式
正則表達(dá)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(nèi)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(dá)式的支持。使用re的一般步驟是先將正則表達(dá)式的字符串形式編譯為Pattern實例，然后使用Pattern實例處理文本并獲得匹配結(jié)果（一個Match實例），最后使用Match實例獲得信息，進(jìn)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(dá)式編譯成Pattern對象 pattern=?re.compile(r'hello') # 使用Pattern匹配文本，獲得匹配結(jié)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，用于將字符串形式的正則表達(dá)式編譯為Pattern對象。 第二個參數(shù)flag是匹配模式，取值可以使用按位或運(yùn)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(nèi)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(yù)定字符類 \w \W \b \B \s \S 取決于當(dāng)前區(qū)域設(shè)定
- U(UNICODE): 使預(yù)定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性
- X(VERBOSE): 詳細(xì)模式。這個模式下正則表達(dá)式可以是多行，忽略空白字符，并可以加入注釋。以下兩個正則表達(dá)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于完成正則表達(dá)式的功能。這些方法可以使用Pattern實例的相應(yīng)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(fù)用編譯后的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)，用于將string中的正則表達(dá)式元字符如*/+/?等之前加上轉(zhuǎn)義符再返回，在需要大量匹配元字符時有那么一點用。
2.2. Match
Match對象是一次匹配的結(jié)果，包含了很多關(guān)于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。
屬性：
方法：
獲得一個或多個分組截獲的字符串；指定多個參數(shù)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(shù)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后一次截獲的子串。
以元組形式返回全部分組截獲的字符串。相當(dāng)于調(diào)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(rèn)為None。
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(nèi)。default含義同上。
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(rèn)值為0。
返回指定的組截獲的子串在string中的結(jié)束索引（子串最后一個字符的索引+1）。group默認(rèn)值為0。
返回(start(group), end(group))。
將匹配到的分組代入template中然后返回。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(rèn)為是第10個分組，如果你想表達(dá)\1之后是字符'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(dá)式，通過Pattern提供的一系列方法可以對文本進(jìn)行匹配查找。
Pattern不能直接實例化，必須使用re.compile()進(jìn)行構(gòu)造。
Pattern提供了幾個可讀屬性用于獲取表達(dá)式的相關(guān)信息：
| 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]：
這個方法將從string的pos下標(biāo)處起嘗試匹配pattern；如果pattern結(jié)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(jié)束就已到達(dá)endpos，則返回None。?
pos和endpos的默認(rèn)值分別為0和len(string)；re.match()無法指定這兩個參數(shù)，參數(shù)flags用于編譯pattern時指定匹配模式。?
注意：這個方法并不是完全匹配。當(dāng)pattern結(jié)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(dá)式末尾加上邊界匹配符'$'。?
示例參見2.1小節(jié)。
這個方法用于查找字符串中可以匹配成功的子串。從string的pos下標(biāo)處起嘗試匹配pattern，如果pattern結(jié)束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1后重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。?
pos和endpos的默認(rèn)值分別為0和len(string))；re.search()無法指定這兩個參數(shù)，參數(shù)flags用于編譯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(dá)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 |
按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數(shù)，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', ''] |
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'] |
搜索string，返回一個順序訪問每一個匹配結(jié)果（Match對象）的迭代器。?
?
| 1 2 3 4 5 6 7 8 | import?re p=?re.compile(r'\d+') for?min?p.finditer('one1two2three3four4'): ????print?m.group(), ### output ### # 1 2 3 4 |
使用repl替換string中每一個匹配的子串后返回替換后的字符串。?
當(dāng)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(dāng)repl是一個方法時，這個方法應(yīng)當(dāng)只接受一個參數(shù)（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。?
count用于指定最多替換次數(shù)，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! |
返回 (sub(repl, string[, count]), 替換次數(shù))。?
?
| 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對于正則表達(dá)式的支持。熟練掌握正則表達(dá)式是每一個程序員必須具備的技能，這年頭沒有不與字符串打交道的程序了。筆者也處于初級階段，與君共勉，^_^
另外，圖中的特殊構(gòu)造部分沒有舉出例子，用到這些的正則表達(dá)式是具有一定難度的。有興趣可以思考一下，如何匹配不是以abc開頭的單詞，^_^
全文結(jié)束
總結(jié)
- 上一篇： yum chrome
- 下一篇： python匹配中文