python正則表達式基礎

做者：AstralWind，原貼URL：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

1. 正則表達式基礎

1.1. 簡單介紹

正則表達式並非Python的一部分。正則表達式是用於處理字符串的強大工具，擁有本身獨特的語法以及一個獨立的處理引擎，效率上可能不如str自帶的方法，但功能十分強大。得益於這一點，在提供了正則表達式的語言裏，正則表達式的語法都是同樣的，區別只在於不一樣的編程語言實現支持的語法數量不一樣；但不用擔憂，不被支持的語法一般是不經常使用的部分。若是已經在其餘語言裏使用過正則表達式，只須要簡單看一看就能夠上手了。

下圖展現了使用正則表達式進行匹配的流程： 

正則表達式的大體匹配過程是：依次拿出表達式和文本中的字符比較，若是每個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。若是表達式中有量詞或邊界，這個過程會稍微有一些不一樣，但也是很好理解的，看下圖中的示例以及本身多使用幾回就能明白。

下圖列出了Python支持的正則表達式元字符和語法：   

1.2. 數量詞的貪婪模式與非貪婪模式

正則表達式一般用於在文本中查找匹配的字符串。Python裏數量詞默認是貪婪的（在少數語言裏也多是默認非貪婪），老是嘗試匹配儘量多的字符；非貪婪的則相反，老是嘗試匹配儘量少的字符。例如：正則表達式"ab*"若是用於查找"abbbc"，將找到"abbb"。而若是使用非貪婪的數量詞"ab*?"，將找到"a"。

1.3. 反斜槓的困擾

與大多數編程語言相同，正則表達式裏使用"\"做爲轉義字符，這就可能形成反斜槓困擾。假如你須要匹配文本中的字符"\"，那麼使用編程語言表示的正則表達式裏將須要4個反斜槓"\\\\"：前兩個和後兩個分別用於在編程語言裏轉義成反斜槓，轉換成兩個反斜槓後再在正則表達式裏轉義成一個反斜槓。Python裏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式可使用r"\\"表示。一樣，匹配一個數字的"\\d"能夠寫成r"\d"。有了原生字符串，你不再用擔憂是否是漏寫了反斜槓，寫出來的表達式也更直觀。

1.4. 匹配模式

正則表達式提供了一些可用的匹配模式，好比忽略大小寫、多行匹配等，這部份內容將在Pattern類的工廠方法re.compile(pattern[, flags])中一塊兒介紹。

2. re模塊

2.1. 開始使用re

Python經過re模塊提供對正則表達式的支持。使用re的通常步驟是先將正則表達式的字符串形式編譯爲Pattern實例，而後使用Pattern實例處理文本並得到匹配結果（一個Match實例），最後使用Match實例得到信息，進行其餘的操做。

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

# encoding: UTF-8 import re   # 將正則表達式編譯成Pattern對象 pattern = re.compile(r'hello')   # 使用Pattern匹配文本，得到匹配結果，沒法匹配時將返回None match = pattern.match('hello world!')   if match:     # 使用Match得到分組信息     print match.group()   ### 輸出 ### # hello

re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法，用於將字符串形式的正則表達式編譯爲Pattern對象。 第二個參數flag是匹配模式，取值可使用按位或運算符'|'表示同時生效，好比re.I | re.M。另外，你也能夠在regex字符串中指定模式，好比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（括號內是完整寫法，下同）
• M(MULTILINE): 多行模式，改變'^'和'$'的行爲（參見上圖）
• S(DOTALL): 點任意匹配模式，改變'.'的行爲
• L(LOCALE): 使預約字符類 \w \W \b \B \s \S 取決於當前區域設定
• U(UNICODE): 使預約字符類 \w \W \b \B \s \S \d \D 取決於unicode定義的字符屬性
• X(VERBOSE): 詳細模式。這個模式下正則表達式能夠是多行，忽略空白字符，並能夠加入註釋。如下兩個正則表達式是等價的：

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提供了衆多模塊方法用於完成正則表達式的功能。這些方法可使用Pattern實例的相應方法替代，惟一的好處是少寫一行re.compile()代碼，但同時也沒法複用編譯後的Pattern對象。這些方法將在Pattern類的實例方法部分一塊兒介紹。如上面這個例子能夠簡寫爲：

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)，用於將string中的正則表達式元字符如*/+/?等以前加上轉義符再返回，在須要大量匹配元字符時有那麼一點用。

2.2. Match

Match對象是一次匹配的結果，包含了不少關於這次匹配的信息，可使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：

1. string: 匹配時使用的文本。
2. re: 匹配時使用的Pattern對象。
3. pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
4. endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
5. lastindex: 最後一個被捕獲的分組在文本中的索引。若是沒有被捕獲的分組，將爲None。
6. lastgroup: 最後一個被捕獲的分組的別名。若是這個分組沒有別名或者沒有被捕獲的分組，將爲None。

方法：

1. group([group1, …]): 
   得到一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可使用編號也可使用別名；編號0表明整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了屢次的組返回最後一次截獲的子串。
2. groups([default]): 
   以元組形式返回所有分組截獲的字符串。至關於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認爲None。
3. groupdict([default]): 
   返回以有別名的組的別名爲鍵、以該組截獲的子串爲值的字典，沒有別名的組不包含在內。default含義同上。
4. start([group]): 
   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默認值爲0。
5. end([group]): 
   返回指定的組截獲的子串在string中的結束索引（子串最後一個字符的索引+1）。group默認值爲0。
6. span([group]): 
   返回(start(group), end(group))。
7. expand(template): 
   將匹配到的分組代入template中而後返回。template中可使用\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將被認爲是第10個分組，若是你想表達\1以後是字符'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式，經過Pattern提供的一系列方法能夠對文本進行匹配查找。

Pattern不能直接實例化，必須使用re.compile()進行構造。

Pattern提供了幾個可讀屬性用於獲取表達式的相關信息：

1. pattern: 編譯時用的表達式字符串。
2. flags: 編譯時用的匹配模式。數字形式。
3. groups: 表達式中分組的數量。
4. groupindex: 以表達式中有別名的組的別名爲鍵、以該組對應的編號爲值的字典，沒有別名的組不包含在內。

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]：

1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 
   這個方法將從string的pos下標處起嘗試匹配pattern；若是pattern結束時仍可匹配，則返回一個Match對象；若是匹配過程當中pattern沒法匹配，或者匹配未結束就已到達endpos，則返回None。 
   pos和endpos的默認值分別爲0和len(string)；re.match()沒法指定這兩個參數，參數flags用於編譯pattern時指定匹配模式。 
   注意：這個方法並非徹底匹配。當pattern結束時若string還有剩餘字符，仍然視爲成功。想要徹底匹配，能夠在表達式末尾加上邊界匹配符'$'。 
   示例參見2.1小節。
2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
   這個方法用於查找字符串中能夠匹配成功的子串。從string的pos下標處起嘗試匹配pattern，若是pattern結束時仍可匹配，則返回一個Match對象；若沒法匹配，則將pos加1後從新嘗試匹配；直到pos=endpos時仍沒法匹配則返回None。 
   pos和endpos的默認值分別爲0和len(string))；re.search()沒法指定這兩個參數，參數flags用於編譯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()沒法成功匹配 match = pattern.search('hello world!')   if match:     # 使用Match得到分組信息     print match.group()   ### 輸出 ### # world

3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 
   按照可以匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將所有分割。 

   1 2 3 4 5 6 7

   import re   p = re.compile(r'\d+') print p.split('one1two2three3four4')   ### output ### # ['one', 'two', 'three', 'four', '']

4. findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 
   搜索string，以列表形式返回所有能匹配的子串。 

   1 2 3 4 5 6 7

   import re   p = re.compile(r'\d+') print p.findall('one1two2three3four4')   ### output ### # ['1', '2', '3', '4']

5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 
   搜索string，返回一個順序訪問每個匹配結果（Match對象）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

6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 
   使用repl替換string中每個匹配的子串後返回替換後的字符串。 
   當repl是一個字符串時，可使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。 
   當repl是一個方法時，這個方法應當只接受一個參數（Match對象），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。 
   count用於指定最多替換次數，不指定時所有替換。 

   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!

7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 
   返回 (sub(repl, string[, count]), 替換次數)。 

   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對於正則表達式的支持。熟練掌握正則表達式是每個程序員必須具有的技能，這年頭沒有不與字符串打交道的程序了。筆者也處於初級階段，與君共勉，^_^

另外，圖中的特殊構造部分沒有舉出例子，用到這些的正則表達式是具備必定難度的。有興趣能夠思考一下，如何匹配不是以abc開頭的單詞，^_^

全文結束