Python正則表達式指南

jopen 10年前發布 | 18K 次閱讀 Python Python開發

本文介紹了Python對于正則表達式的支持，包括正則表達式基礎以及Python正則表達式標準庫的完整介紹及使用示例。本文的內容不包括如何編寫高效的正則表達式、如何優化正則表達式，這些主題請查看其他教程。

注意：本文基于Python2.4完成；

</blockquote>

1. 正則表達式基礎

1.1. 簡單介紹

正則表達式并不是Python的一部分。正則表達式是用于處理字符串的強大工具，擁有自己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。得益于這一點，在提供了正則表達式的語言里，正則表達式的語法都是一樣的，區別只在于不同的編程語言實現支持的語法數量不同；但不用擔心，不被支持的語法通常是不常用的部分。如果已經在其他語言里使用過正則表達式，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式進行匹配的流程：
Python正則表達式指南

正則表達式的大致匹配過程是：依次拿出表達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支持的正則表達式元字符和語法：  
Python正則表達式指南

1.2. 數量詞的貪婪模式與非貪婪模式

正則表達式通常用于在文本中查找匹配的字符串。Python里數量詞默認是貪婪的（在少數語言里也可能是默認非貪婪），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：正則表達式"ab*"如果用于查找"abbbc"，將找到"abbb"。而如果使用非貪婪的數量詞"ab*?"，將找到"a"。

1.3. 反斜杠的困擾

與大多數編程語言相同，正則表達式里使用"\"作為轉義字符，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義成反斜杠，轉換成兩個反斜杠后再在正則表達式里轉義成一個反斜杠。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式可以使用r"\\"表示。同樣，匹配一個數字的"\\d"可以寫成r"\d"。有了原生字符串，你再也不用擔心是不是漏寫了反斜杠，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，比如忽略大小寫、多行匹配等，這部分內容將在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式的支持。使用re的一般步驟是先將正則表達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果（一個Match實例），最后使用Match實例獲得信息，進行其他的操作。

# 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，獲得匹配結果，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</pre> 
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式編譯為Pattern對象。 第二個參數flag是匹配模式，取值可以使用按位或運算符'|'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): 使預定字符類 \w \W \b \B \s \S 取決于當前區域設定 
    • 

  • U(UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性 
    • 

  • X(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。以下兩個正則表達式是等價的： 
    • 
</ul>
    

    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式的功能。這些方法可以使用Pattern實例的相應方法替代，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：
    

    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中的正則表達式元字符如*/+/?等之前加上轉義符再返回，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果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。
    

    屬性：
    

      

    1. string: 匹配時使用的文本。 
      2. 

    2. re: 匹配時使用的Pattern對象。 
      3. 

    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. 

    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. 

    5. lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。 
      6. 

    6. lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。 
      7. 
</ol>
      

      方法：
      

        

      1. group([group1, …]): 
        
獲得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。 
        2. 

      2. groups([default]): 
        
以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。 
        3. 

      3. groupdict([default]): 
        
        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。default含義同上。 
        4. 

      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默認值為0。 
        5. 

      5. end([group]): 
        
        返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。 
        6. 

      6. span([group]): 
        
        返回(start(group), end(group))。 
        7. 

      7. expand(template): 
        
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將被認為是第10個分組，如果你想表達\1之后是字符'0'，只能使用\g<1>0。 
        8. 
</ol>
        

        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!</pre> 
        2.3. Pattern
        

        Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以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于獲取表達式的相關信息：
        

          

        1. pattern: 編譯時用的表達式字符串。 
          2. 

        2. flags: 編譯時用的匹配模式。數字形式。 
          3. 

        3. groups: 表達式中分組的數量。 
          4. 

        4. groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。 
          5. 
</ol>
          

          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}</pre> 
          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；如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。 
            
pos和endpos的默認值分別為0和len(string)；re.match()無法指定這兩個參數，參數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pattern結束時若string還有剩余字符，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符'$'。 
            
示例參見2.1小節。 
            2. 

          2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
            
            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下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，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的默認值分別為0和len(string))；re.search()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。 
            

            # 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()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 </pre></li>
            

          3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 
            
            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，不指定將全部分割。 
            

            import re
            

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

            output
            

            ['one', 'two', 'three', 'four', '']</pre></li>
            

          4. 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。 
            

            import re
            

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

            output
            

            ['1', '2', '3', '4']</pre></li>
            

          5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 
            
            搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。 
            

            import re
            

            p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
    print m.group(),
            

            output
            

            1 2 3 4</pre></li>
            

          6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 
            
            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repl是一個方法時，這個方法應當只接受一個參數（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，不指定時全部替換。 
            

            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!</pre></li>
            

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

            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)</pre></li>
            

            </ol>
            

            以上就是Python對于正則表達式的支持。熟練掌握正則表達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，圖中的特殊構造部分沒有舉出例子，用到這些的正則表達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，^_^
            

            全文結束
            

            

            
來自：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
 本文由用戶 jopen 自行上傳分享，僅供網友學習交流。所有權歸原作者，若您的權利被侵害，請聯系管理員。
 轉載本站原創文章，請注明出處，并保留原始鏈接、圖片水印。
 本站是一個以用戶分享為主的開源技術平臺，歡迎各類分享！