1. 正则表达式基础
1.1. 简单介绍
正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具,拥有自己独特的语法以及一个独立的处理引擎,效率上可能不如str自带的方法,但功能十分强大。得益于这一点,在提供了正则表达式的语言里,正则表达式的语法都是一样的,区别只在于不同的编程语言实现支持的语法数量不同;但不用担心,不被支持的语法通常是不常用的部分。
正则表达式基本语法是:
语法 | 说明 | 表达式实例 | 完整匹配的字符串 |
---|---|---|---|
一般字符 | 说明 | abc | abc |
\ | 转义字符,使后面的一个字符改变原来的意思,如果字符中有* 需要匹配,可以用 * 或者是字符集 [*] | a\.b | a.c |
. | 匹配任意除了换行符’\n’外的符 | a.c | abc |
[…] | 字符集(字符类)。对应位置可以使字符集中的任意字符,可以将字符逐个列出,也可以给出范围。如果第一个字符是^,表示匹配非该字符集中的字符 | a[bcd]e | abe ace ade |
\d | 数字:[0-9] | a\dc | a1c |
\D | 非数字:[^\d] | a\Dc | abc |
\s | 空白字符:[ \t\r\n\f\v] | a\sc | a c |
\S | 非空白字符:[^\s] | ||
\w | 单词字符:[A-Za-z0-9_] | a\wc | abc |
\W | 非单词字符:[^\w] | a\Wc | a c |
* | 匹配前一个字符0次或者无限次 | abc* | ab abccc |
+ | 匹配前一个字符1次或者无限次 | abc+ | abc abcc |
? | 匹配前一个字符0次或者1次 | abc? | ab abc |
{m} | 匹配前一个字符m次 | ab{1}c | abc |
{m,n} | 匹配前一个字符m到n次;如果省略m,则匹配0到n次,如果省略n,则匹配m到无限次;逗号不省略 | ab{1,3}c | abc abbbc |
^ | 匹配字符串的开头 | ^abc | abcd |
|匹配字符串的结尾|abc | 匹 配 字 符 串 的 结 尾 | a b c | rabc | ||
\A | 仅匹配字符串开头 | \Aabc | abc |
\Z | 仅匹配字符串结尾 | abc\Z | abc |
\b | 匹配单词边界,即单词和空格间的位置 | er\b | never 但是不能匹配到verb |
\B | 匹配非单词边界 | er\B | verb |
| | |表示匹配左右表达式中任意一个,先左后右.(只要字符串中某一位置有其中任意一个就可以匹配) | abc|def | abc def |
(…) | 被括起来的表达式作为分组,从表达式左边开始每遇到一个分组的左括号,编号+1 | (abc){2} a(123|456) | abcabc a123c或者a456c |
\ | 引用编号为的分组匹配到的字符串 | (\d)abc\1 | 1abc1 5abc5 |
(?:pattern) | 非获取匹配,匹配pattern但不获取匹配结果,不进行存储供以后使用。这在使用或字符“( | )”来组合一个模式的各个部分时很有用。例如“industr(?:y | ies)”就是一个比“industry |
(?=…) | 之后的字符串内容需要匹配后面的表达式才会匹配成功 | a(?=\d) | 后面为数字的a |
(?!…) | 之后的字符串内容需要不匹配后面的表达式才会匹配成功 | a(?!\d) | 后面不是数字的a |
(?<=…) | 之前的字符串内容需要匹配后面的表达式才会匹配成功 | a(?<=\d) | 前面是数字的a |
(? | 之前的字符串内容需要不匹配后面的表达式才会匹配成功 | a(? | 前面不是数字的a |
1.2. 数量词的贪婪模式与非贪婪模式
python中的数量词默认是贪婪的, 总是尝试匹配尽可能多的字符。例如:正则表达式”ab*”如果用于查找”abbbc”,将找到”abbb”。而如果使用非贪婪的数量词”ab*?”,将找到”a”。
1.3. 反斜杠的困扰
与大多数编程语言相同,正则表达式里使用”\”作为转义字符,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”\”,那么使用编程语言表示的正则表达式里将需要4个反斜杠”\\”:前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题,这个例子中的正则表达式可以使用r”\”表示。同样,匹配一个数字的”\d”可以写成r”\d”。有了原生字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。
1.4. 匹配模式
正则表达式提供了一些可用的匹配模式,比如忽略大小写、多行匹配等,这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。
2. re模块
2.1. 开始使用re
python使用re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译成Patten实例,然后使用Pattern是咧处理文本获得匹配结果。
#encoding: UTF-8
import re
#将正则表达式编译成Pattern对象
pattern = re.compile(r'hello')
#使用Pattern匹配文本,获得匹配结果,无法匹配的时候返回None
match = pattern.match('hello world!')
if match:
print match.group()
else:
print 'Error'
re.compile(strPattern[, flag]):
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。pattern是正则表达式字符串。
- re.I(re.IGNORECASE): 忽略大小写
- re.M(MULTILINE): 多行模式,改变’^’和’$’的行为
- re.S(DOTALL): 点任意匹配模式,改变’.’的行为
- re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
- re.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
- re.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: (三引号表示多行)
a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")
2.2. 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:
- string: 匹配时使用的文本。
- re: 匹配时使用的Pattern对象。
- 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。
- 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。
- 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。
- 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:
1. 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。
2.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。
3.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。
4.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。
5.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。
6.span([group]):
返回(start(group), end(group))。
7.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、\g引用分组,但不能使用编号0。\id与\g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!
2.3. 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。
相关信息:
1.pattern: 编译时用的表达式字符串。
2.flags: 编译时用的匹配模式。数字形式。
3.groups: 表达式中分组的数量。
4.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。