python 正则表达式基础

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：

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：

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。

1. 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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

encoding: UTF-8

import re

将正则表达式编译成Pattern对象

pattern = re.compile(r’hello’)

使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None

match = pattern.match(‘hello world!’)

if match:
# 使用Match获得分组信息
print match.group()

输出

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：
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：

1
2
m = re.match(r’hello’, ‘hello world!’)
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：

string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
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。
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。
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。
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：

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。
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。
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。
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。
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。
span([group]):
返回(start(group), end(group))。
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、\g引用分组，但不能使用编号0。\id与\g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。
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.*)’, ‘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：

pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
import re
p = re.compile(r’(\w+) (\w+)(?P.*)’, 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.*)

p.flags: 16

p.groups: 3

p.groupindex: {‘sign’: 3}

实例方法[ | re模块方法]：

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。
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

encoding: UTF-8

import re

将正则表达式编译成Pattern对象

pattern = re.compile(r’world’)

使用search()查找匹配的子串，不存在能匹配的子串时将返回None

这个例子中使用match()无法成功匹配

match = pattern.search(‘hello world!’)

if match:
# 使用Match获得分组信息
print match.group()

输出 ###

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。
1
2
3
4
5
6
7
import re

p = re.compile(r’\d+’)
print p.split(‘one1two2three3four4’)

output

[‘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。
1
2
3
4
5
6
7
import re

p = re.compile(r’\d+’)
print p.findall(‘one1two2three3four4’)

output

[‘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。
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

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、\g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。
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!

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
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对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^

另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下，如何匹配不是以abc开头的单词，^_^

‘*?’ ‘+?’ ‘??’ 最小匹配
‘’ ‘+’ ‘?’通常都是尽可能多的匹配字符。有时候我们希望它尽可能少的匹配。比如一个c语言的注释 ‘/ part 1 / / part 2 */’，如果使用最大规则：

s =r ‘/* part 1 / code / part 2 */’
re.findall( r’/*.**/’ , s )
[‘/* part 1 / code / part 2 */’]
结果把整个字符串都包括进去了。如果把规则改写成
re.findall( r’/*.?*/’ , s ) #在后面加上?，表示尽可能少的匹配
[‘/* part 1 /’, ‘/ part 2 */’]
结果正确的匹配出了注释里的内容

字符/
意义：对于字符,通常表示按字面意义,指出接着的字符为特殊字符,不作解释.
例如：/b/匹配字符’b’,通过在b 前面加一个反斜杠,也就是/b/,则该字符变成特殊字符,表示
匹配一个单词的分界线.
或者：
对于几个字符,通常说明是特殊的,指出紧接着的字符不是特殊的,而应该按字面解释.
例如：是一个特殊字符,匹配任意个字符(包括0个字符)；例如：/a/意味匹配0个或多个a.为了匹配字面上的,在a前面加一个反斜杠；例如：/a/匹配’a*’.
字符^
意义：表示匹配的字符必须在最前边.
例如：/^A/不匹配”an A,”中的’A’,但匹配”An A.”中最前面的’A’.
字符意义：与类似,匹配最末的字符.例如：/t/不匹配”eater”中的’t’,但匹配”eat”中的’t’.
字符*
意义：匹配*前面的字符0次或n次.
例如:/bo*/匹配”A ghost booooed”中的’boooo’或”A bird warbled”中的’b’,但不匹配”Agoat g
runted”中的任何字符.
字符+
意义：匹配+号前面的字符1次或n次.等价于{1,}.
例如：/a+/匹配”candy”中的’a’和”caaaaaaandy.”中的所有’a’.
字符?
意义：匹配?前面的字符0次或1次.
例如：/e?le?/匹配”angel”中的’el’和”angle.”中的’le’.
字符.
意义：(小数点)匹配除换行符外的所有单个的字符.
例如：/.n/匹配”nay, an apple is on the tree”中的’an’和’on’,但不匹配’nay’.
字符(x)
意义：匹配’x’并记录匹配的值.
例如：/(foo)/匹配和记录”foo bar.”中的’foo’.匹配子串能被结果数组中的素[1], …,[n] 返
回,或被RegExp对象的属性, …, 返回.
字符x│y
意义：匹配’x’或者’y’.
例如：/green│red/匹配”green apple”中的’green’和”red apple.”中的’red’.
字符{ n }
意义：这里的n是一个正整数.匹配前面的n个字符.
例如：/a{ 2 }/不匹配”candy,”中的’a’,但匹配”caandy,” 中的所有’a’和”caaandy.”中前面的两个’a’.
字符{ n, }
意义：这里的n是一个正整数.匹配至少n个前面的字符.
例如：/a{ 2, }不匹配”candy”中的’a’,但匹配”caandy”中的所有’a’和”caaaaaaandy.”中的所有’a’
字符{ n,m }
意义：这里的n和m都是正整数.匹配至少n个最多m个前面的字符.
例如：/a{ 1,3 }/不匹配”cndy”中的任何字符,但匹配 “candy,”中的’a’,”caandy,” 中的前面两个
’a’和”caaaaaaandy”中前面的三个’a’,注意：即使”caaaaaaandy” 中有很多个’a’,但只匹配前面的三 个’a’即”aaa”.
字符[xyz]
意义：一字符列表,匹配列出中的任一字符.你可以通过连字符-指出一个字符范围.
例如：[abcd]跟[a-c]一样.它们匹配”brisket”中的’b’和”ache”中的’c’.
字符[^xyz]
意义：一字符补集,也就是说,它匹配除了列出的字符外的所有东西. 你可以使用连字符-指出一 字符范围.
例如：[^abc]和[^a-c]等价,它们最早匹配”brisket”中的’r’和”chop.”中的’h’.
字符
意义：匹配一个空格(不要与b混淆)
字符b
意义：匹配一个单词的分界线,比如一个空格(不要与混淆)
例如：/bnw/匹配”noonday”中的’no’,/wyb/匹配”possibly yesterday.”中的’ly’.
字符B
意义：匹配一个单词的非分界线
例如：/wBn/匹配”noonday”中的’on’,/yBw/匹配”possibly yesterday.”中的’ye’.
字符cX
意义：这里的X是一个控制字符.匹配一个字符串的控制字符.
例如：/cM/匹配一个字符串中的control-M.
字符d
意义：匹配一个数字,等价于[0-9].
例如：/d/或/[0-9]/匹配”B2 is the suite number.”中的’2’.
字符D
意义：匹配任何的非数字,等价于[^0-9].
例如：/D/或/[^0-9]/匹配”B2 is the suite number.”中的’B’.
字符f
意义：匹配一个表单符
字符n
意义：匹配一个换行符
字符r
意义：匹配一个回车符
字符s
意义：匹配一个单个white空格符,包括空格,tab,form feed,换行符,等价于[ fnrtv].
例如：/sw*/匹配”foo bar.”中的’ bar’.
字符S
意义：匹配除white空格符以外的一个单个的字符,等价于[^ fnrtv].
例如：/S/w*匹配”foo bar.”中的’foo’.
字符t
意义：匹配一个制表符
字符v
意义：匹配一个顶头制表符
字符w
意义：匹配所有的数字和字母以及下划线,等价于[A-Za-z0-9_].
例如：/w/匹配”apple,”中的’a’,”.28,”中的’5’和”3D.”中的’3’.
字符W
意义：匹配除数字、字母外及下划线外的其它字符,等价于[^A-Za-z0-9_].
例如：/W/或者/[^A−Za−z0−9]/匹配”50字符n意义：这里的n是一个正整数.匹配一个正则表达式的最后一个子串的n的值(计数左圆括号).例如：/apple(,)sorange1/匹配”apple,orange,cherry,peach.”中的′apple,orange′,下面有一个更加完整的例子.注意：如果左圆括号中的数字比n指定的数字还小,则n取下一行的八进制escape作为描述.字符ooctal和xhex意义：这里的ooctal是一个八进制的escape值,而xhex是一个十六进制的escape值,允许在一个正则表达式中嵌入ASCII码附:下表是元字符及其在正则表达式上下文中的行为的一个完整列表：字符描述 将下一个字符标记为一个特殊字符、或一个原义字符、或一个后向引用、或一个八进制转义符.例如,′n′匹配字符“n”.′\n′匹配一个换行符.序列‘\’匹配“”而“(”则匹配“(“.匹配输入字符串的开始位置.如果设置了RegExp对象的Multiline属性,也匹配‘\n′或‘\r′之后的位置.
匹配输入字符串的结束位置.如果设置了RegExp 对象的 Multiline 属性,$ 也匹配 ‘\n’ 或 ‘\r’ 之前的位置.
*
匹配前面的子表达式零次或多次.例如,zo* 能匹配 “z” 以及 “zoo”. * 等价于{0,}.
+ 匹配前面的子表达式一次或多次.例如,’zo+’ 能匹配 “zo” 以及 “zoo”,但不能匹配 “z”.+ 等价于 {1,}.
?
匹配前面的子表达式零次或一次.例如,”do(es)?” 可以匹配 “do” 或 “does” 中的”do” .? 等价于 {0,1}.
{n}
n 是一个非负整数.匹配确定的 n 次.例如,’o{2}’ 不能匹配 “Bob” 中的 ‘o’,但是能匹配 “food” 中的两个 o.
{n,}
n 是一个非负整数.至少匹配n 次.例如,’o{2,}’ 不能匹配 “Bob” 中的 ‘o’,但能匹配 “foooood” 中的所有 o.’o{1,}’ 等价于 ‘o+’.’o{0,}’ 则等价于 ‘o*’.
{n,m}
m 和 n 均为非负整数,其中n
来源： http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html