python正则化表达式

re模块主要定义了 9个常量、12个函数、1个异常 。

1. 正则表达式的模式——pattern

模式字符串使用特殊的语法来表示一个正则表达式：

1. 字母和数字表示他们自身。一个正则表达式模式中的字母和数字匹配同样的字符串。
2. 多数字母和数字前加一个反斜杠时会拥有不同的含义。
3. 标点符号只有被转义时才匹配自身，否则它们表示特殊的含义。
4. 反斜杠本身需要使用反斜杠转义。
5. 由于正则表达式通常都包含反斜杠，所以你最好使用原始字符串来表示它们。模式元素(如 r'\t'，等价于 '\\t')匹配相应的特殊字符。

下表列出了正则表达式模式语法中的特殊元素。如果你使用模式的同时提供了可选的标志参数，某些模式元素的含义会改变。

模式	描述
^	匹配字符串的开头
$	匹配字符串的末尾。
.	匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
[…]	用来表示一组字符,单独列出：[abc] 匹配’a’,‘b’或’c’
[^…]	不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。
re*	匹配0个或多个的表达式。
re+	匹配1个或多个的表达式。
re?	匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
re{ n}	精确匹配 n 个前面表达式。例如， o{2} 不能匹配 “Bob” 中的 “o”，但是能匹配 “food” 中的两个 o。
re{ n,}	匹配 n 个前面表达式。例如， o{2,} 不能匹配"Bob"中的"o"，但能匹配 "foooood"中的所有 o。“o{1,}” 等价于 “o+”。“o{0,}” 则等价于 “o*”。
re{ n, m}	匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
(re)	对正则表达式分组并记住匹配的文本
(?imx)	正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。
(?-imx)	正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。
(?: re)	类似 (…), 但是不表示一个组
(?imx: re)	在括号中使用i, m, 或 x 可选标志
(?-imx: re)	在括号中不使用i, m, 或 x 可选标志
(?#…)	注释.
(?= re)	前向肯定界定符。如果所含正则表达式，以 … 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。
(?! re)	前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功
(?> re)	匹配的独立模式，省去回溯。
\w	匹配包括下划线的任何单词字符。等价于’[A-Za-z0-9_]'。
\W	匹配任何非单词字符。等价于 ‘[^A-Za-z0-9_]’。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\d	匹配任意数字，等价于 [0-9].
\D	匹配一个非数字字符。等价于 [^0-9]。
\A	匹配字符串开始
\Z	匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
\z	匹配字符串结束
\G	匹配最后匹配完成的位置。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配"never" 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。
\B	匹配非单词边界。‘er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。
\n, \t, 等.	匹配一个换行符。匹配一个制表符。等
\1…\9	匹配第n个分组的内容。
\10	匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式。

2. 正则表达式常量——修饰符

（1）常量理解

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，并且所有的常量都是在RegexFlag枚举类来实现

需要说明的是，这9个常量值是可以叠加使用的，叠加时请使用 | 符号。

修饰符	简写	描述
re.IGNORECASE	re.I	进行忽略大小写匹配。
re.ASCII	re.A	ASCII表示ASCII码的意思，让 \w, \W, \b, \B, \d, \D, \s 和 \S 只匹配ASCII，而不是Unicode。
re.DOTALL	re.S	DOT表示.，ALL表示所有，连起来就是.匹配所有，包括换行符\n。默认模式下.是不能匹配行符\n的。
re.MULTILINE	re.M	多行模式，当某字符串中有换行符\n，默认模式下是不支持换行符特性的，比如：行开头 和 行结尾，而多行模式下是支持匹配行开头的。
re.VERBOSE	re.X	详细模式，可以在正则表达式中加注解。
re.LOCALE	re.L	由当前语言区域决定 \w, \W, \b, \B 和大小写敏感匹配，这个标记只能对byte样式有效。这个标记官方已经不推荐使用，因为语言区域机制很不可靠，它一次只能处理一个 "习惯”，而且只对8位字节有效。
re.UNICODE	re.U	与 ASCII 模式类似，匹配unicode编码支持的字符，但是 Python3 默认字符串已经是Unicode，所以有点冗余。
re.DEBUG		显示编译时的debug信息。
re.TEMPLATE	re.T

9个常量在re常用函数中都可以使用。前5个（IGNORECASE、ASCII、DOTALL、MULTILINE、VERBOSE）较为实用，两个（LOCALE、UNICODE）官方不建议使用、两个（TEMPLATE、DEBUG）试验性功能，不能依赖。

下面使用代码来更直观地查看常用正则表达式常量的使用。

（2）re.IGNORECASE

import re

text = 'QLEE'
pattern = 'qlee'

print('默认模式：', re.findall(pattern, text))
print('忽略大小写模式：', re.findall(pattern, text, re.IGNORECASE))

输出：

默认模式： []
忽略大小写模式： ['QLEE']

（3）re.ASCII

import re

text = '我是QLEE大家hao'
pattern = r'\w+'

print('unicode：', re.findall(pattern, text))
print('ASCII：', re.findall(pattern, text, re.ASCII))) #只匹配ASCII编码支持的字符

输出：

unicode： ['我是QLEE大家hao']
ASCII： ['QLEE', 'hao']

（4）re.DOTALL

import re

text = '我是QLEE\n大家hao'
pattern = r'.*'

print('默认模式：', re.findall(pattern, text)) #默认模式可以去掉换行符
print('匹配所有模式：', re.findall(pattern, text, re.DOTALL)) #换行符也匹配

输出：

默认模式： ['我是QLEE', '', '大家hao', '']
匹配所有模式： ['我是QLEE\n大家hao', '']

3. 正则表达式函数

需要说明的是：查找一个匹配项（search、match、fullmatch）的函数返回值都是一个 匹配对象Match ，需要通过match.group() 获取匹配值。

group() 返回被 RE 匹配的字符串。

类型	说明
group(num=0)	匹配的整个表达式的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)，第一个为group(1)，其他依次类推
groups()	返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。

• start()： 返回匹配开始的位置
• end()： 返回匹配结束的位置
• span()： 返回一个元组包含匹配 (开始,结束) 的位置

• 举例说明

import re

pattern = r'([a-z]+) ([a-z]+)' 
text = 'Hello World Wide Web'        # 查待匹配的字符串

tmp = re.match(pattern, text, re.I)

print('match : ', tmp)
print('group : ', tmp.group()) #所有匹配的字符串
print('group(1) : ', tmp.group(1)) #第一个匹配的字符串
print('start : ', tmp.start()) #所有的开始
print('end : ', tmp.end())# 所有的结束
print('span : ', tmp.span(2)) #第2个的开始与结束

输出：

match :  <_sre.SRE_Match object; span=(0, 11), match='Hello World'>
group :  Hello World
group(1) :  Hello
start :  0
end :  11
span :  (6, 11)

（1）查找一个匹配项——match、search和fullmatch

• re.match: 必须从字符串开头匹配
• re.search: 查找任意位置的匹配项
• re.fullmatch： 整个字符串与正则完全匹配

import re

text = 'aqleebqlee,cqlee'
pattern = 'qlee'

# match,只匹配开头
print('match：', re.match(pattern, text))
# search，匹配任意位置
print('search：', re.search(pattern, text))
# fullmatch，全部匹配
print('fullmatch', re.fullmatch(pattern, text))


print('group获取匹配的值：', re.search(pattern, text).group())

输出：

match： None
search： <_sre.SRE_Match object; span=(1, 5), match='qlee'>
fullmatch None
group获取匹配的值： qlee

search函数是在字符串中任意位置匹配，只要有符合正则表达式的字符串就匹配成功，其实有两个匹配项，但search函数值返回一个。

而match函数是要从头开始匹配，而字符串开头多了个字母a，所以无法匹配，fullmatch函数需要完全相同，故也不匹配！

（2）查找多个匹配项——findall、finditer

• re.findall： 从字符串任意位置查找，返回一个列表
• re.finditer：从字符串任意位置查找，返回一个迭代器

两个方法基本类似，只不过一个是返回列表，一个是返回迭代器。我们知道列表是一次性生成在内存中，而迭代器是需要使用时一点一点生成出来的，内存使用更优。

import re

text = 'aqleebqlee,cqlee'
pattern = 'qlee'

# findall,返回所有匹配值，组成列表形式
print('findall: ', re.findall(pattern, text))

# finditer,返回匹配的迭代器，需要转化为list
print('finditer: ', list(re.finditer(pattern, text)))

输出：

findall:  ['qlee', 'qlee', 'qlee']
finditer:  [<_sre.SRE_Match object; span=(1, 5), match='qlee'>, <_sre.SRE_Match object; span=(6, 10), match='qlee'>, <_sre.SRE_Match object; span=(12, 16), match='qlee'>]

（3）分割——split

• 函数形式

re.split(pattern, string, maxsplit=0, flags=0) 

• pattern：分开 string
• maxsplit： 表示最多进行分割次数
• flags：表示模式

import re

text = 'aqleebqlee,cqlee'
pattern = 'qlee'

print('split: ', re.split(pattern, text, maxsplit=1, flags=re.IGNORECASE))

输出：

split:  ['a', 'bqlee,cqlee']

（4）替换——sub、subn

re.subn与sub函数功能一致，只不过subn返回一个元组(字符串, 替换次数)。

re.sub(pattern, repl, string, count=0, flags=0) 

• repl替换掉string中被pattern匹配的字符
• count表示最大替换次数
• flags表示正则表达式的常量

import re

text = 'aqleebqlee,cqlee'
pattern = ','
repl = '/'

# 将','换成'/'
print('sub: ', re.sub(pattern, repl, text, count=2, flags=re.IGNORECASE))

输出：

sub:  aqleebqlee/cqlee

（5）编译正则项——template、compile

compile函数 与 template函数功能为将正则表达式的样式编译为一个正则表达式对象 （正则对象Pattern），这个对象与re模块有同样的正则函数。

这一块暂时用得较少，暂时不做讲解。

（6）其他——escape、purge

• escape

re.escape(pattern) 可以转义正则表达式中具有特殊含义的字符。

pattern = r'qlee\.qlee\*'

等价于：

pattern = re.escape(qlee.qlee*)

re.escape(pattern) 看似非常好用省去了我们自己加转义，但是使用它很容易出现转义错误的问题，所以并不建议使用它转义，而建议大家自己手动转义！

• purge

re.purge() 函数作用就是清除正则表达式缓存

4. 一些简短示例

（1）常用匹配模式

例子	描述
[Pp]ython	匹配 “Python” 或 “python”
[aeiou]	匹配中括号内的任意一个字母
[^aeiou]	除了aeiou字母以外的所有字符
[0-9]	匹配任何数字。类似于 [0123456789]
[a-z]	匹配任何小写字母
[A-Z]	匹配任何大写字母
[a-zA-Z0-9]	匹配任何字母及数字
[^0-9]	匹配除了数字外的字符

（2）多个匹配模式——提取字符串和字符

import re

# 提取字符和数字
'''
\w: 匹配包括下划线的任何单词字符
\d: 匹配数字
+: 匹配一个或多个，要不然只会匹配一个字符和一个数字
'''
result = re.findall(r'(\w+)=(\d+)', 'set width=20 and height=10')
print(result)

输出：

[('width', '20'), ('height', '10')]