Python正则表达式

正则表达式基础

正则表达式是用于处理字符串的强大工具，熟练的使用正则表达式将会对字符串的编程非常具有帮助。

下图列出了Python支持的正则表达式元字符和语法：
引用：Python正则表达式指南
这张图片简直是神图，搞懂了这个，就搞懂了一些普通的正则表达式的内容了。

原生字符：

在大多数正则表达式中，会使用\作为转移字符，如我们要表示一个数字，则要写成\\d才行，但是python中的原生字符很好的解决这个问题，即可以写成r'\d'的形式。
例如：

s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC\-001'

s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'

因此，有了原生字符，就可以避免少些\的烦恼了。

Match

要使用Python的需要导入正则表达式的模块re.

match 对象是一次匹配的结果，包含匹配的信息。

# 如下模式串hello,要匹配的串hello,world
>>> import re
>>> match=re.match(r'hello','hello,world')
>>> match.group()   #获得分组信息
'hello'

匹配电话号码，假设形式为000-00000前面三个数字，后面5-8个数字

>>> import re
>>> match=re.match(r'\d{3}\-\d{5,8}','010-123456')
>>> if match:
...     print match.group()
... else:
...     print 'false'
... 
010-123456         #输出的结果

分组

在匹配的过程中可以进行分组提取子串，在Python中用()可以提取分组信息

# 这里-要使用\-

>>> match=re.match(r'^(\d{3})\-(\d{5,8})$','010-12345')
>>> match.group(0)
'010-12345'
>>> match.group(1)     #获得分组
'010'
>>> match.group(2)
'12345'

下面一个更加复杂的例子：
这里是一条 Apache日志

180.76.15.161 - - [06/Dec/2014:06:49:26 +0800] "GET / HTTP/1.1" 200 10604 "-" "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)"

Apache日志内容从左到右依次是：

1. 远程IP地址
2. 客户端记录
3. 浏览者记录

4. 请求的时间，包括三项内容：

   • 日期
   • 时间
   • 时区

5. 服务器收到的请求，包括三项内容：

   • METHOD：请求的方法，GET/POST等
   • RESOURCE：请求的目标链接地址
   • PROTOCOL：HTTP版本
6. 状态代码，表示请求是否成功
7. 发送的字节数
8. 发出请求时所在的URL
9. 客户端的详细信息：操作系统及浏览器等

这里我们提取的信息为：
1. 客户端的IP
2. 请求日期
3. 请求的URL
4. HTTP状态码(如200）

>>> import re
# 注意要使用原生字符
>>> s=r'180.76.15.161 - - [06/Dec/2014:06:49:26 +0800] "GET / HTTP/1.1" 200 10604 "-" "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)"'

# pattern为正则表达式模式串
# re.compile将其编译成pattern对象
>>> pattern=re.compile(r'^(\S+) (\S+) (\S+) \[([\w/]+)([\w:/]+)\s([+\-]\d{4})\] \"(\S+) (\S+) (\S+)\" (\d{3}) (\d+)')
>>> m=pattern.match(s)
# 分组信息
>>> m.group(1)     
'180.76.15.161'
>>> m.group(4)
'06/Dec/2014'
>>> m.group(8)
'/'
>>> m.group(10)
'200'

Split

split即以匹配到的子串作为分割点对字符串进行分割然后生成一个列表。

最常见的的一种方式为：

# 以空格为分隔符
>>> m=re.split(' ','i am a good boy!')
>>> m
['i', 'am', 'a', 'good', 'boy!']

# 注意如果多出了一个空格
>>> m=re.split(' ','i  am a good boy!')
>>> m
['i', '', 'am', 'a', 'good', 'boy!']

>>> import re
# 匹配数字
>>> pattern=re.compile(r'\d+')
>>> m=pattern.split('one1two2three3four')
# m是一个列表
>>> m
['one', 'two', 'three', 'four']

参考资料：
1. Python正则表达式指南
2. 正则表达式