首先感谢我的老师雨痕。
Python Library: re
正则表达式是处理字符串最重要的一种手段了。
1. 基本信息
特殊字符(需转义处理):
. ^ $ * + ? { } [ ] \ | ( )
字符定义:
• \d: 十进制数字,相当于 [0-9]
• \D: 非数字字符,相当于 [^0-9]
• \s: 空白字符,相当于 [ \t\n\r\f\v]。
• \S: 非空白字符。
• \w: 字母或数字,相当于 [a-zA-Z0-9]。
• \W: 非字母数字。
• .: 任意字符。
• |: 或。
• ^: 非或开始位置。
• $: 结束位置。
• \b: 单词边界(完整单词,而非其他单词中的子串)。
• \B: 非单词边界。
重复:
• *: 0 或 任意个字符。
• ?: 0 或 一个字符。
• +: 1 或 多个字符。
• {n, m}: n 到 m 个字符。
• {n}: n 个字符。
• {n,}: n 到尽可能多的字符。
• {,m}: 相当于 {0,m}。
通常使用添加一个 "?" 来避免贪婪匹配。
2. 正则函数
re 有几个重要的函数:
• match(): 匹配字符串开始位置。
• search(): 扫描字符串,找到第一个位置。
• findall(): 找到全部匹配,以列表返回。
• finditer(): 找到全部匹配,以迭代器返回。
match 和 search 仅匹配一次,匹配不到返回 None。
python hljs 19行
>>> import re
>>> s = "12abc345ab"
>>> m = re.match(r"\d+", s)
>>> m.group(), m.span()
('12', (0, 2))
>>> m = re.match(r"\d{3,}", s)
>>> m is None
True
>>> m = re.search(r"\d{3,}", s)
>>> m.group(), m.span()
('345', (5, 8))
>>> m = re.search(r"\d+", s)
>>> m.group(), m.span()
('12', (0, 2))
findall 返回列表(或空列表),finditer 和 match/search 一样返回 MatchObject 对象。
python hljs 17行
>>> ms = re.findall(r"\d+", s)
>>> ms
['12', '345']
>>> ms = re.findall(r"\d{5}", s)
>>> ms
[]
>>> for m in re.finditer(r"\d+", s): print m.group(), m.span()
...
12 (0, 2)
345 (5, 8)
>>> for m in re.finditer(r"\d{5}", s): print m.group(), m.span()
...
>>>
3. MatchObject
match、search、finditer 返回的对象 —— MatchObject。
• group(): 返回匹配的完整字符串。
• start(): 匹配的开始位置。
• end(): 匹配的结束位置。
• span(): 包含起始、结束位置的元组。
• groups(): 返回分组信息。
• groupdict(): 返回命名分组信息。
python hljs 20行
>>> >>> m = re.match(r"(\d+)(?P<letter>[abc]+)", s)
>>> m.group()
'12abc'
>>> m.start()
0
>>> m.end()
5
>>> m.span()
(0, 5)
>>> m.groups()
('12', 'abc')
>>> m.groupdict()
{'letter': 'abc'}
group() 可以接收多个参数,用于返回指定序号的分组。
python hljs 35行
>>> m.group(0)
'12abc'
>>> m.group(1)
'12'
>>> m.group(2)
'abc'
>>> m.group(1,2)
('12', 'abc')
>>> m.group(0,1,2)
('12abc', '12', 'abc')
start()、end() 和 span() 同样能接收分组序号。和 group() 一样,序号 0 表示整体匹配结果。
>>> m.start(0), m.end(0)
(0, 5)
>>> m.start(1), m.end(1)
(0, 2)
>>> m.start(2), m.end(2)
(2, 5)
>>> m.span(0)
(0, 5)
>>> m.span(1)
(0, 2)
>>> m.span(2)
(2, 5)
-
编译标志
可以用 re.I、re.M 等参数,也可以直接在表达式中添加 "(?iLmsux)" 标志。
• s: 单行。"." 匹配包括还行符在内的所有字符。
• i: 忽略大小写。
• L: 让 "\w" 能匹配当地字符,貌似对中文支持不好。
• m: 多行。
• x: 忽略多余的空白字符,让表达式更易阅读。
• u: Unicode。
试试看。
python hljs 9行
>>> re.findall(r"[a-z]+", "%123Abc%45xyz&")
['bc', 'xyz']
>>> re.findall(r"[a-z]+", "%123Abc%45xyz&", re.I)
['Abc', 'xyz']
>>> re.findall(r"(?i)[a-z]+", "%123Abc%45xyz&")
['Abc', 'xyz']
下面这么写好看多了吧?
python hljs 8行
>>> patter = r"""
... (\d+) #number
... ([a-z]+) #letter
... """
>>> re.findall(pattern, "%123Abc\n%45xyz&", re.I | re.S | re.X)
[('123', 'Abc'), ('45', 'xyz')]
4. 组操作
(1) 命名组:(?P...)
python hljs 6行
>>> for m in re.finditer(r"(?P<number>\d+)(?P<letter>[a-z]+)", "%123Abc%45xyz&", re.I):
... print m.groupdict()
...
{'number': '123', 'letter': 'Abc'}
{'number': '45', 'letter': 'xyz'}
(2) 无捕获组:(?:...)
作为匹配条件,但不返回。
python hljs 6行
>>> for m in re.finditer(r"(?:\d+)([a-z]+)", "%123Abc%45xyz&", re.I):
... print m.groups()
...
('Abc',)
('xyz',)
(3) 反向引用:<number> 或 (?P=name)
引用前面的组。
python hljs 17行
>>> for m in re.finditer(r"<a>\w+</a>", "%<a>123Abc</a>%<b>45xyz</b>&"):
... print m.group()
...
<a>123Abc</a>
>>> for m in re.finditer(r"<(\w)>\w+</(\1)>", "%<a>123Abc</a>%<b>45xyz</b>&"):
... print m.group()
...
<a>123Abc</a>
<b>45xyz</b>
>>> for m in re.finditer(r"<(?P<tag>\w)>\w+</(?P=tag)>", "%<a>123Abc</a>%<b>45xyz</b>&"):
... print m.group()
...
<a>123Abc</a>
<b>45xyz</b>
(4) 声明
正声明 (?=...):组内容必须出现在右侧,不返回。
负声明 (?!...):组内容不能出现在右侧,不返回。
反向正声明 (?<=):组内容必须出现在左侧,不返回。
反向负声明 (?<!):组内容不能出现在左侧,不返回。
python hljs 11行
>>> for m in re.finditer(r"\d+(?=[ab])", "%123Abc%45xyz%780b&", re.I):
... print m.group()
...
123
780
>>> for m in re.finditer(r"(?<!\d)[a-z]{3,}", "%123Abc%45xyz%byse&", re.I):
... print m.group()
...
byse
更多信息请阅读官方文档或更专业的书籍。
5. 修改字符串
(1) split: 用 pattern 做分隔符切割字符串。如果用 "(pattern)",那么分隔符也会返回。
python hljs 6行
>>> re.split(r"\W", "abc,123,x")
['abc', '123', 'x']
>>> re.split(r"(\W)", "abc,123,x")
['abc', ',', '123', ',', 'x']
(2) sub: 替换子串。
可指定替换次数。
python hljs 6行
>>> re.sub(r"[a-z]+", "*", "abc,123,x")
'*,123,*'
>>> re.sub(r"[a-z]+", "*", "abc,123,x", 1)
'*,123,x'
subn() 和 sub() 差不多,不过返回 "(新字符串,替换次数)"。
python hljs 3行
>>> re.subn(r"[a-z]+", "*", "abc,123,x")
('*,123,*', 2)
还可以将替换字符串改成函数,以便替换成不同的结果。
python hljs 10行
>>> def repl(m):
... print m.group()
... return "*" * len(m.group())
...
>>> re.subn(r"[a-z]+", repl, "abc,123,x")
abc
x
('***,123,*', 2)