【Python基础】python中的正则表达式

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
$|匹配字符串的结尾|abc$	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：

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：

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。