Python re標準庫

re模塊包含對正則表達式的支持。

1、什麼是正則表達式

正則表達式是能夠匹配文本片斷的模式。最簡單的正則表達是就是普通字符串，能夠匹配其自身。你能夠用這種匹配行爲搜索文本中的模式，或者用計算後的值替換特定模式，或者將文本進行分段。

一、通配符

點號（.）能夠匹配任何字符（除了換行符），但點號只能匹配一個字符，而不是零個或多個；

如.ython能夠匹配字符串‘python’或‘jython’，或‘+ython’等等，可是不會匹配‘cpython’或‘ython’；

由於它能夠匹配除換行符外的任何單個字符，因此點號就稱爲通配符。

注：點號是特殊字符，需對它進行轉義。能夠加上反斜線「cnblogs\\.com」或者使用原始字符串「r'cnblogs\.com'」；

二、字符集

可使用中括號括住字符串來建立字符集。字符集能夠匹配它所包括的任意字符；

如‘[pj]ython’能夠匹配python或jython；好比‘[a-z]’能夠匹配a到z的任意一個字符；

也能夠經過一個接一個的方式將範圍聯合起來使用，好比‘[a-zA-Z0-9]’能夠匹配任意一個小寫或大寫字母或0到9的數字；

能夠在開頭使用‘^’反轉字符集，匹配除字符集外的其它字符；如‘[^abc]’能夠匹配任何除了a\b\c以外的字符。

三、選擇符和子模式

管道符號（|）能夠用於選擇項；如匹配python和perl，能夠寫成‘python|perl’

當只是模式的一部分進行選擇時，可使用圓括號括起須要的部分，或稱爲子模式。如匹配python和perl，能夠寫成‘p(ython|erl)’

四、可選項和重複子模式

在子模式後面加上句號，它就變成了可選項，即表示子模式能夠出現一次或者根本不出現。

如r'(http://)?(www\.)?python\.org'只能匹配到下列字符串，而不會匹配其它的：

http://python.org

http://www.python.org

www.python.org

python.org

上述例子，值得注意的是：

（1）對www.和python.org之間的點號進行了轉義，防止它被做爲通配符使用；

（2）使用原始字符串「r」減小所需反斜線的數量；

（3）每一個可選子模式都用圓括號括起；

（4）可選子模式出現與否都可，並且互相獨立；

使用下面這些運算符容許子模式重複屢次：

• （pattern）*：容許模式重複0次或屢次；
• (pattern)+：容許模式重複1次或屢次；
• (pattern){m,n}：容許模式重複m~n次；

例如，r'w*\.python\.org'會匹配'www.python.org'，也會匹配'.python.org’；

五、字符串的開始和結尾

若是想在字符串的開頭而不是其餘位置匹配，可使用脫字符（^）標記開始；

如‘^ht+p’會匹配‘http://python.org’或'htttp://python.org',但不匹配‘www.http.org’;

使用美圓符號（$）標誌字符串結尾。

2、re模塊的內容

re模塊包含一些有用的操做正則表達式的函數：

 

函數re.compile將正則表達式（以字符串書寫的）轉換爲模式對象，能夠實現更有效率的匹配。若是調用search或者match函數的時候使用字符串表示的正則表達式，它們也會在內部將字符串轉換爲正則表達式對象。 使用compile完成一次轉換後，在每次使用模式的時候就不用進行轉換。

函數re.search會在給定字符串中尋找第一個匹配給定正則表達式的子字符串。一旦找到子字符串，函數就會返回MathObject（值爲True），不然返回None（值爲False）。

函數re.match會在給定字符串的開頭匹配正則表達式。如match('p','python')返回真，而re.match('p','www.python')則返回假。

函數re.split會根據模式的匹配項來分隔字符串。參數maxsplit表示字符串最多能夠分隔的次數：

import re

text = 'a,b,,,,c d'
#
#正則表達式中，匹配逗號和空格
listvalue = re.split('[, ]+',text)
print(listvalue) #['a', 'b', 'c', 'd']

print(re.split('o(o)','foobar')) #['f', 'o', 'bar']

print(re.split('[, ]+',text,maxsplit=1)) #['a', 'b,,,,c d']

函數re.findall以列表形式返回給定模式的全部匹配項。

pat = '[a-zA-Z]'
text2 = '"aq," bp,,,,ct rd'
print(re.findall(pat,text2)) #['a', 'q', 'b', 'p', 'c', 't', 'r', 'd']

函數re.sub的做用在於：使用給定的替換內容將匹配模式的子字符串（最左端而且非重疊的子字符串）替換掉。

pat3 = '{name}'
text3 = 'Dear {name}'
print(re.sub(pat3, 'Jame', text3)) #Dear Jame

函數re.escape能夠對字符串中全部可能被解釋爲正則運算符的字符進行轉義。

print(re.escape('www.python.org')) #www\.python\.org

 

3、匹配對象和組

re模塊函數能找到匹配項時，它們會返回MathObject對象，這些對象包括匹配模式的子字符串的信息，它們還包含了哪一個模式匹配了子字符串哪部分的信息，這些部分叫作組（group）。

即組就是放置在圓括號內的子模式。組的序號取決於它左側的括號數。組0就是整個模式。

如在下面的模式中：‘there (was a (wee) (cooper)) who (lived in fyfe)’，包含下面這些組：

0 there was a wee cooper who lived in fyfe

1 was a wee cooper

2 wee

3 cooper

4 lived in fyfe

注：這裏要區分前面提到的字符集，字符集兩邊是用中括號括起的，而組是用原括號括起的。

如r'www\.(.+)\.com$' 能夠匹配'www.python.com'；組0就是‘www.python.com’，組1就是python。

re匹配對象存在如下重要方法：

上訴方法中，[group1]指的是組號。若是沒有給定組號，則默認爲組0.

m = re.match(r'www\.(.*)\..{3}', 'www.python.org')
print(m.group(1)) #python
print(m.start(1)) #4
print(m.end(1)) #10
print(m.span(1)) #(4, 10)

重複運算符的匹配是貪婪的，即它會盡量多的匹配。

在重複運算符後面加上一個問號能夠變爲非貪婪的。

pat4 = r'\*\*(.+?)\*\*'
pat5 = r'\*\*(.+)\*\*'
print(re.sub(pat4,r'<em>\1</em>','**this** is **it**!')) #<em>this</em> is <em>it</em>!
print(re.sub(pat5,r'<em>\1</em>','**this** is **it**!')) #<em>this** is **it</em>!

這裏用+？運算符代替了+，意味着模式也會像以前那樣對一個或者多個通配符進行匹配，可是它會進行儘量少的匹配，由於它是非貪婪的。

讓正則表達式變得更加易讀的方式是在re函數中使用VERBOSE標誌：

em_pat = re.compile(r'''
    \* #匹配的第一個字符是星號 
    \* #匹配的第二個字符是星號，這裏前面斜槓是轉義
    ( #匹配組左側圓括號
    . #匹配任意字符
    + #任意字符能夠是1個或多個
    ) #匹配組右側括號
    \*\* #匹配的字符後面跟着兩個星號
''',re.VERBOSE)
print(re.sub(em_pat,r'<em>\1</em>','**this** is **it**!')) #<em>this** is **it</em>!

 

4、實例

文件中存在如下文字：

From foo@bar.baz Thu Dec

Subjec:Re:Span

From:Foo fie <foo@bar.baz>

to:Magnus <magnus@bozz.floop>

如今要從文件中找出是誰發送的郵件，咱們能夠在‘From:Foo fie <foo@bar.baz>’中找到發件人Foo fie.實現查找：

pat6 = re.compile('From:(.*) <.*?>$')
for line in fileinput.input():
    m = pat6.match(line)
    if m:print m.group(1)

 

本文主要摘自《Python基礎教程》一書

 

持續學習中，，，