python re模块详解

. 表示任意字符(除了换行符：\n)
[]用来匹配一个指定的字符类别（字符集），对于字符集中的字符可以理解成或的关系。比如[a-zA-Z0-9]能够匹配任意大小写字母和数字
^ 如果放在字符串的开头，则表示取非的意思。[^5]表示除了5之外的其他字符。而如果^不在字符串的开头，则表示它本身。

具有重复功能的元字符：
* 对于前一个字符重复0到无穷次
+ 对于前一个字符重复1到无穷次
? 对于前一个字符重复0到1次
{m,n} 对于前一个字符重复次数在为m到n次，其中，{0,} = *,{1,} = , {0,1} = ?
{m} 对于前一个字符重复m次

\d 匹配任何十进制数；等价于 [0-9]
\D 匹配任何非数字字符；等价于 [^0-9]
\s 匹配任何空白字符；等价于 [ \f\n\r\t\v]
\S 匹配任何非空白字符；等价于 [^ \f\n\r\t\v]
\w 匹配包括下划线的任何单词字符。等价于[A-Za-z0-9_]
\W 匹配任何非单词字符。等价于 [^A-Za-z0-9_]

 

字符串的开始和结尾：字符串开始用^（脱字符）匹配，字符串结尾用$（美元符号）匹配

**************************************************************************************

正则表达式(可以称为REs，regex，regex pattens)是一个小巧的，高度专业化的编程语言，它内嵌于python开发语言中，可通过re模块使用。正则表达式的

pattern可以被编译成一系列的字节码，然后用C编写的引擎执行。下面简单介绍下正则表达式的语法

     正则表达式包含一个元字符(metacharacter)的列表，列表值如下:    . ^ $ * + ? { [] \ | ( )

  1.元字符([ ]),它用来指定一个character class。所谓character classes就是你想要匹配的字符(character)的集合.字符(character)可以单个的列出，也可以通过"-"来分隔两个字符来表示一个范围。例如，[abc]匹配a，b或者c当中任意一个字符，[abc]也可以用字符区间来表示---[a-c].如果想要匹配单个大写字母，你可以用 [A-Z]。

     元字符(metacharacters)在character class里面不起作用，如[akm$]将匹配"a","k","m","$"中的任意一个字符。在这里元字符(metacharacter)"$"就是一个普通字符。

     2.元字符[^]. 你可以用补集来匹配不在区间范围内的字符。其做法是把"^"作为类别的首个字符；其它地方的"^"只会简单匹配 "^"字符本身。例如，[^5]将匹配除 "5"之外的任意字符。同时，在[ ]外，元字符^表示匹配字符串的开始，如"^ab+"表示以ab开头的字符串。

    举例验证，

>>> print m

    上例不能用re.match,因为match匹配字符串的开始，我们无法验证元字符"^"是否代表字符串的开始位置。

    None

#验证在元字符[]中，"^"在不同位置所代表的意义。
>>>re.search("[^abc]","abcd")  #"^"在首字符表示取反，即abc之外的任意字符。
<_sre.SRE_Match object at 0x011B19F8>
>>>m=re.search("[^abc]","abcd")
>>> m.group()
'd'
>>> m=re.search("[abc^]","^")  #如果"^"在[ ]中不是首字符，那么那就是一个普通字符
>>> m.group()
'^'

不过对于元字符”^”有这么一个疑问.官方文档http://docs.python.org/library/re.html有关元字符”^”有这么一句话，Matches the start

of the string, and in MULTILINE mode also matchesimmediately after each newline.

我理解的是”^”匹配字符串的开始，在MULTILINE模式下，也匹配换行符之后。

>>>m=re.search("^a\w+","abcdfa\na1b2c3")

   >>> m.group()

'abcdfa'

>>>m=re.search("^a\w+","abcdfa\na1b2c3",re.MULTILINE)，

>>> m.group()  #

'abcdfa'

我认为flag设定为re.MULTILINE，根据上面那段话，他也应该匹配换行符之后，所以应该有m.group应该有"a1b2c3",但是结果没有，用findall来尝试，可以找到结果。所以这里我理解之所以group里面没有，是因为search和match方法是匹配到就返回，而不是去匹配所有。

>>>m=re.findall("^a\w+","abcdfa\na1b2c3",re.MULTILINE)

>>> m

['abcdfa', 'a1b2c3']

 

   3. 元字符(\),元字符backslash。做为 Python中的字符串字母，反斜杠后面可以加不同的字符以表示不同特殊意义。

   它也可以用于取消所有的元字符，这样你就可以在模式中匹配它们了。例如，如果你需要匹配字符 "["或 "\"，你可以在它们之前用反斜杠来取消它们的特殊意义： \[或 \\

   4。元字符($)匹配字符串的结尾或者字符串结尾的换行之前。（在MULTILINE模式下，"$"也匹配换行之前）

   正则表达式"foo"既匹配"foo"又匹配"foobar",而"foo$"仅仅匹配"foo".

        

     ['foo2']

     ['foo1', 'foo2']

>>>m=re.search("foo.$","foo1\nfoo2\n")
>>> m
<_sre.SRE_Match object at 0x00A27170>
>>> m.group()
'foo2'
>>>m=re.search("foo.$","foo1\nfoo2\n",re.MULTILINE)
>>> m.group()
'foo1'

     看来re.MULTILINE对$的影响还是蛮大的。

     5.元字符(*),匹配0个或多个

     6.元字符(?)，匹配一个或者0个

     8,元字符(|),表示"或"，如A|B，其中A，B为正则表达式，表示匹配A或者B

     9.元字符({})

     {m},用来表示前面正则表达式的m次copy，如"a{5}"，表示匹配5个”a”,即"aaaaa"

>>>re.findall("a{5}","aaaaaaaaaa")
['aaaaa', 'aaaaa']
>>> re.findall("a{5}","aaaaaaaaa")
['aaaaa']

['aaaa', 'aaaa']

['aa', 'aa', 'aa', 'aa']

   {m,n}?  用来表示前面正则表达式的m到n次copy，尝试匹配尽可能少的copy

>>>re.findall("a{2,4}?","aaaaaaaa")
['aa', 'aa', 'aa', 'aa']

   10。元字符(  "( )" ),用来表示一个group的开始和结束。

   比较常用的有(REs),(?P<name>REs),这是无名称的组和有名称的group，有名称的group，可以通过matchObject.group(name)

   获取匹配的group，而无名称的group可以通过从1开始的group序号来获取匹配的组，如matchObject.group(1)。具体应用将在下面的group()方法中举例讲解

 

   11．元字符(.)

　元字符“.”在默认模式下，匹配除换行符外的所有字符。在DOTALL模式下，匹配所有字符，包括换行符。

>>> import re

>>>re.match(".","\n")

>>>m=re.match(".","\n")

>>> print m

None

>>>m=re.match(".","\n",re.DOTALL)

>>> print m

<_sre.SRE_Match object at0x00C2CE20>

>>> m.group()

'\n'

 

　下面我们首先来看一下Match Object对象拥有的方法,下面是常用的几个方法的简单介绍

1.group([group1,…])

 返回匹配到的一个或者多个子组。如果是一个参数，那么结果就是一个字符串，如果是多个参数，那么结果就是一个参数一个item的元组。group1的默认值为0(将返回所有的匹配值).如果groupN参数为0，相对应的返回值就是全部匹配的字符串，如果group1的值是[1…99]范围之内的,那么将匹配对应括号组的字符串。如果组号是负的或者比pattern中定义的组号大，那么将抛出IndexError异常。如果pattern没有匹配到，但是group匹配到了，那么group的值也为None。如果一个pattern可以匹配多个，那么组对应的是样式匹配的最后一个。另外，子组是根据括号从左向右来进行区分的。

>>> m=re.match("(\w+)(\w+)","abcd efgh, chaj")

>>>m.group()            #匹配全部

'abcd efgh'

>>>m.group(1)     #第一个括号的子组.

'abcd'

>>> m.group(2)

'efgh'

>>>m.group(1,2)           #多个参数返回一个元组

('abcd', 'efgh')

>>>m=re.match("(?P<first_name>\w+)(?P<last_name>\w+)","sam lee")
>>> m.group("first_name")  #使用group获取含有name的子组
'sam'
>>> m.group("last_name")
'lee'

 

　下面把括号去掉

>>> m=re.match("\w+\w+","abcd efgh, chaj")

>>> m.group()

'abcd efgh'

>>> m.group(1)

Traceback (most recent call last):

   File "<pyshell#32>",line 1, in <module>

   m.group(1)

IndexError: no such group

 

If a group matches multiple times, onlythe last match is accessible:

   如果一个组匹配多个，那么仅仅返回匹配的最后一个的。

>>> m=re.match(r"(..)+","a1b2c3")

>>> m.group(1)

'c3'

>>> m.group()

'a1b2c3'

Group的默认值为0，返回正则表达式pattern匹配到的字符串

 

>>>s="afkak1aafal12345adadsfa"

>>>pattern=r"(\d)\w+(\d{2})\w"

>>> m=re.match(pattern,s)

>>> print m

None

>>> m=re.search(pattern,s)

>>> m

<_sre.SRE_Match object at0x00C2FDA0>

>>> m.group()

'1aafal12345a'

>>> m.group(1)

'1'

>>> m.group(2)

'45'

>>> m.group(1,2,0)

('1', '45', '1aafal12345a')

  

　2。groups([default])

　返回一个包含所有子组的元组。Default是用来设置没有匹配到组的默认值的。Default默认是"None”,

>>> m=re.match("(\d+)\.(\d+)","23.123")

>>> m.groups()

('23', '123')

>>>m=re.match("(\d+)\.?(\d+)?","24") #这里的第二个\d没有匹配到，使用默认值"None"

>>> m.groups()

('24', None)

>>> m.groups("0")

('24', '0')

 

　3.groupdict([default])

　返回匹配到的所有命名子组的字典。Key是name值，value是匹配到的值。参数default是没有匹配到的子组的默认值。这里与groups()方法的参数是一样的。默认值为None

>>> m=re.match("(\w+)(\w+)","hello world")

>>> m.groupdict()

{}

>>>m=re.match("(?P<first>\w+) (?P<secode>\w+)","helloworld")

>>> m.groupdict()

{'secode': 'world', 'first': 'hello'}

　通过上例可以看出，groupdict()对没有name的子组不起作用

 

 

正则表达式对象

re.search(string[, pos[, endpos]])

　扫描字符串string，查找与正则表达式匹配的位置。如果找到一个匹配就返回一个MatchObject对象(并不会匹配所有的)。如果没有找到那么返回None。

　第二个参数表示从字符串的那个位置开始，默认是0

　第三个参数endpos限定字符串最远被查找到哪里。默认值就是字符串的长度。.

>>> m=re.search("abcd",'1abcd2abcd')
>>> m.group()  #找到即返回一个match object，然后根据该对象的方法，查找匹配到的结果。
'abcd'
>>> m.start()
1
>>> m.end()
5

>>>re.findall("abcd","1abcd2abcd")
['abcd', 'abcd']

 

　re.split(pattern, string[, maxsplit=0, flags=0])

　用pattern来拆分string。如果pattern有含有括号，那么在pattern中所有的组也会返回。

>>>re.split("\W+","words,words,works",1)

['words', 'words,works']

>>>re.split("[a-z]","0A3b9z",re.IGNORECASE)

['0A3', '9', '']

>>>re.split("[a-z]+","0A3b9z",re.IGNORECASE)

['0A3', '9', '']

>>> re.split("[a-zA-Z]+","0A3b9z")

['0', '3', '9', '']

>>> re.split('[a-f]+', '0a3B9',re.IGNORECASE)#re.IGNORECASE用来忽略pattern中的大小写。

['0', '3B9']

 

　如果在split的时候捕获了组，并且匹配字符串的开始，那么返回的结果将会以一个空串开始。

>>> re.split('(\W+)','...words, words...')

['', '...', 'words', ', ', 'words','...', '']

>>> re.split('(\W+)', 'words,words...')

['words', ', ', 'words', '...', '']

 

　re.findall(pattern, string[, flags])

　以list的形式返回string中所有与pattern匹配的不重叠的字符串。String从左向右扫描，匹配的返回结果也是以这个顺序。

Return all non-overlapping matchesof pattern in string, as a list of strings.The string is scanned left-to-right, and matches are returned in theorder found. If one or more groups are present in the pattern, return a list ofgroups; this will be a list of tuples if the pattern has more than one group.Empty matches are included in the result unless they touch the beginning ofanother match.

>>> re.findall('(\W+)', 'words,words...')

[', ', '...']

>>> re.findall('(\W+)d','words, words...d')

['...']

>>> re.findall('(\W+)d','...dwords, words...d')

['...', '...']

 

　re.finditer(pattern, string[, flags])

　与findall类似，只不过是返回list，而是返回了一个叠代器

 

 　我们来看一个sub和subn的例子

>>>re.sub("\d","abc1def2hijk","RE")

'RE'

>>>x=re.sub("\d","abc1def2hijk","RE")

>>> x

'RE'

>>> re.sub("\d","RE","abc1def2hijk",)

'abcREdefREhijk'

 

>>>re.subn("\d","RE","abc1def2hijk",)

('abcREdefREhijk', 2)

　通过例子我们可以看出sub和subn的差别：sub返回替换后的字符串，而subn返回由替换后的字符串以及替换的个数组成的元组。

　re.sub(pattern, repl, string[, count, flags])

   用repl替换字符串string中的pattern。如果pattern没有匹配到，那么返回的字符串没有变化]。Repl可以是一个字符串，也可以是一个function。如果是字符串，如果repl是个方法/函数。对于所有的pattern匹配到。他都回调用这个方法/函数。这个函数和方法使用单个 match object作为参数，然后返回替换后的字符串。下面是官网提供的例子:

>>> def dashrepl(matchobj):

...     ifmatchobj.group(0) == '-': return ' '

...     else: retu