python正则化

一、re模块简介

聊到Python正则表达式的支持，首先肯定会想到re库，这是一个Python处理文本的标准库。

标准库的意思表示这是一个Python内置模块，不需要额外下载，目前Python内置模块大概有300个。可以在这里查看Python所有的内置模块：https://docs.python.org/3/py-modindex.html#cap-r

因为re是内置模块，所以不需要再下载，使用时直接引入即可：

import re

re模块官方文档：https://docs.python.org/zh-cn/3.8/library/re.html

re模块库源码：https://github.com/python/cpython/blob/3.8/Lib/re.py

二、re模块常量

常量即表示不可更改的变量，一般用于做标记。

re模块中有9个常量，常量的值都是int类型！

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，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)与re.compile('(?im)pattern')是等价的。

可选值有：

• re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）

• M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）

• S(DOTALL): 点任意匹配模式，改变'.'的行为

• L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定

• U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性

• X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

a = re.compile(r"""\d +  # the integral part
                   \.    # the decimal point
                   \d *  # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")

• re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

    
m = re.match(r'hello', 'hello world!')
print m.group()

三.Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

1. string: 匹配时使用的文本。

2. re: 匹配时使用的Pattern对象。

3. pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。

6. lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

7. group([group1, …]):
   获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。

8. groups([default]):
   以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。

9. groupdict([default]):
   返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。

10. start([group]):
    返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。

11. end([group]):
    返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。

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

13. expand(template):
    将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

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!

三.Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

14. pattern: 编译时用的表达式字符串。

15. flags: 编译时用的匹配模式。数字形式。

16. groups: 表达式中分组的数量。

17. groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

四.以下是一些常用的Python正则表达式：

18. 匹配单个字符：

• . 匹配任意一个字符

匹配括号内的任意一个字符

• [^ ] 匹配除括号内的字符之外的任意一个字符

19. 匹配多个字符：

• 匹配前一个字符出现0次或多次

• 匹配前一个字符出现1次或多次

• ? 匹配前一个字符出现0次或1次

• {m,n} 匹配前一个字符出现m到n次

20. 匹配边界：

• ^ 匹配行的开头

• $ 匹配行的结尾

• \b 匹配单词边界

21. 匹配特殊字符：

• \d 匹配任意一个数字

• \D 匹配任意一个非数字字符

• \w 匹配任意一个字母、数字或下划线

• \W 匹配任意一个非字母、数字或下划线字符

• \s 匹配任意一个空白字符

• \S 匹配任意一个非空白字符

以下是一个简单的示例，展示如何使用正则表达式在Python中匹配一个字符串中的所有数字：

import re

text = "hello, 123456 world!"
pattern = "\d+"
result = re.findall(pattern, text)

print(result)  # ['123456']

在这个示例中，我们使用re模块的findall()函数来查找匹配模式\d+的所有数字。findall()函数返回一个包含所有匹配结果的列表。