Python正则表达式
正表达式就是一段匹配文本片段的模式,在Python 中 re
模块包含了对正则表达式(regular expression)的支持。
1. 正则表达式的基本概念
1. 通配符
点号( .
)可以匹配换行符之外的任何单个字符,被称之为通配符。
2. 特殊字符转义
将有特殊含义的字符作为普通字符使用时需要进行转义。例如想要匹配 python.org
时需要将表达式写为: python\\.org
才行。
为什么使用两个反斜线?
这是为了通过解释器进行转义,需要进行两个级别的转义:1.通过解释器的转义;2.通过 re 模块转义。如果不想使用两个反斜线,可以考虑使用原始字符串,如:
r'python\.org'
。
3. 字符集
字符集是在中括号( []
)中包含字符串。字符集可以匹配它所包含的任意字符。即'[pj]ython'
可以匹配 python
和 jython
。
使用范围
可以使用范围,如
'[a-z]'
可以匹配 a 到 z 的任意一个字符。'a-zA-Z0-9'
可以匹配任意大小写的一个字母或数字。
反转字符集
我们也可以对字符集进行反转,比如
'[^abc]'
匹配除了a、b和c之外的任何字符。
字符集中的特殊字符
特殊字符在模式中做文本字符,而不是正则表达式运算符的话需要对其进行转义。但是在字符集中并不需要,只有以三种情况下,需要将特殊字符作为普通文本使用时,需要对字符进行转义:
^
脱字符作为字符集的开头]
右中括号作为字符集的开头-
横线(字符范围)作为字符集的开头
4. 选择符合子模式
管道符号( |
)是用于选择项的特殊字符。例如: 'python|ruby'
匹配python和ruby这两个单词。
子模式(subparttern)是指:使用圆括号将选择项括起来。例如 'p(ython|erl)'
匹配python和perl。
5. 可选项和重复子模式
在子模式后面加上一个问号,它就变成了一个可选项,例如:
r'(http://)?(www\.)?python\.org$'
上面的模式只能匹配下面的字符串:
'http://www.python.org' 'http://python.org' 'www.python.org' 'python.org'
问号表示子模式可以出现一次或者根本不出现,下面的运算符允许子模式重复多次:
- (pattern)*: 允许模式重复0次或多次
- (pattern)+: 允许模式出现一次或多次
- (pattern){m-n}: 允许模式重复m~n次
6. 字符串的开始和结尾
使用 ^
脱字符标记字符串开始;使用美元符号 $
标识字符串的结尾。如:
'^Python$'
2. re 模块
re 模块包含了很多操作正则表达式的函数,以下是其中最常用的函数:
1 compile(pattern[, flags]) 根据包含正则表达式的字符串创建模式对象 2 search(pattern, string[, flags]) 在字符串中寻找模式 3 match(pattern, string[, flags]) 在字符串的开始处匹配模式 4 split(pattern, string[, maxsplit=0]) 根据模式的匹配项来分割字符串 5 findall(pattern, string) 列出字符串中模式的所有匹配项 6 sub(pat, repl, string[, count=0]) 将字符串中所有pat的匹配项用repl替换 7 escape(string) 将字符串中所有特殊正则表达式字符转义
下面是这些函数的的简单示例:
1 # --coding: utf-8 -- 2 import re 3 4 # search 5 pattern = r'(http://)?(www\.)?python\.org$' 6 string = 'python.org' 7 if re.search(pattern,string): 8 print 'found it' 9 10 # match 11 text = 'alpha,beta,,,,,,gamma delta' 12 pattern = '[,]+' # 注意+号 13 print re.split(pattern,text) # ['alpha', 'beta', 'gamma delta'] 14 15 # findall 16 pattern = '[a-zA-Z]+' # 匹配单词 17 text = '"Hm... Err -- are you sure?" he said, sounding insecure.' 18 # ['Hm', 'Err', 'are', 'you', 'sure', 'he', 'said', 'sounding', 'insecure'] 19 print re.findall(pattern,text) 20 21 pattern = r'[.?\-",]' # 匹配标点符号 22 # ['"', '.', '.', '.', '-', '-', '?', '"', ',', '.'] 23 print re.findall(pattern,text) 24 25 # sub 26 pattern = '{name}' 27 text = 'Dear {name}...' 28 print re.sub(pattern, 'Mr. Gumby', text) # Dear Mr. Gumby... 29 30 # escape 31 print re.escape('www.python.org') # www\.python\.org 32 print re.escape('But where is the ambiguity?') # But\ where\ is\ the\ ambiguity\?
2.1 匹配对象和组
当 re
模块中对字符串进行匹配的函数找到匹配项时,就会返回一个 MatchObject
对象。
组的概念
该对象包含了匹配模式的子字符串的信息,这些信息由组(group)构成。简而言之,组就是放置在圆括号内的子模式。组的序号取决于它左侧的括号数。组0就是整个模式。在下面的模式中:
'There (was a (wee) (cooper)) who (lived in Fyfe)'
包含这些组:
0 There was a wee cooper who lived in Fyfe 1 was a wee cooper 2 wee 3 cooper 4 lived in Fyfe
下面是 re 匹配对象的常用方法:
1 group([group1], ...]) 获取给定子模式(组)的匹配项 2 start([start]) 返回给定组匹配项的开始位置(返回结果是索引从0开始) 3 end([end]) 返回给定组匹配项的结束位置(返回结果是索引加1,和分片一样,不包括组的结束位置) 4 span([group]) 返回一个组的开始和结束位置
示例如下:
1 import re 2 3 m = re.match(r'www\.(.*)\..{3}','www.python.org') 4 print m.group(1) # python 5 print m.start(1) # 4 6 print m.end(1) # 10 7 print m.span(1) # (4, 10)
除了整体匹配以为(组0),只能使用99个组,即组的范围在1-99之间
2.2 使用re的替换函数
通过使用 re.sub
函数和组号的结合,还可以实现更加复杂的字符串提供功能,如下所示:
import re emphasis_pattern = r'\*([^\*]+)\*' # hello, <em>world</em>! print re.sub(emphasis_pattern,r'<em>\1</em>','hello, *world*!')
贪婪模式和非贪婪模式
重复运算符默认是贪婪的( greedy
),它会进行尽可能多的匹配。如下面的模式使用的就是贪婪模式:
1 import re 2 3 emphasis_pattern = r'\*(.+)\*' 4 text = '*This* is *it*' 5 # <em>This* is *it<em> 6 print re.sub(emphasis_pattern,r'<em>\1<em>',text)
非贪婪模式和贪婪模式相反,它会尽可能少的匹配。将重复运算符变成非贪婪模式只需要在其后加一个问号( ?
)即可:
1 import re 2 3 emphasis_pattern = r'\*(.+?)\*' 4 text = '*This* is *it*' 5 # <em>This<em> is <em>it<em> 6 print re.sub(emphasis_pattern,r'<em>\1<em>',text)