Python:正则表达式

1.简介

正则表达式为高级文本模式匹配，以及搜索-替代等功能提供了基础。Python通过re模块支持正则表达式。

2.匹配与搜索

在python专门术语中，有两种主要方法完成模式匹配：搜索(searching)和匹配(matching)，搜索，即在字符串任意部分中搜索匹配的模式，而匹配是指，判断一个字符串能否从起始处全部或者部分的匹配某个模式。搜索通过search()函数或者方法来实现，而匹配是以match()函数或者方法来实现的。

3.正则表达式使用的特殊符号和字符

4.re模块

核心函数和方法

re.match(pattern, string[, flags]):

m1=re.match("[0-9]{0,10}","12312312szdfafs567sadf")  #匹配0到10个连续的数字
print m1   #<_sre.SRE_Match object at 0x000000000331BE00>
if m1:
    print m1.group() #12312312

*************************************

m1=re.match("[0-9]{10}","12312312szdfafs567sadf")  #匹配10个连续的数字数字
print m1  #None，因为12312312这个没有10个
if m1:
    print m1.group()   

这个方法将从string的开始处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达结尾，则返回None。

–

re.search(pattern, string[, flags]):

m2=re.search("\d","a75_46.5 4a~bc6@def")  #从左开始一个一个查找
if m2:
    print m2.group()  #7

这个方法用于查找字符串中可以匹配成功的子串。从string的开始处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将下标加1后重新尝试匹配；直到到结尾时仍无法匹配则返回None。

search()与match()对比

>>> m=re.match("\d+","12assd3124")  #从头开始查找，有匹配的就返回，没有就None
>>> print m
<_sre.SRE_Match object at 0x00000000033AA510>
>>> m.group()
'12'
>>> m=re.match("\d+","asd12assd3124")#开头不是数字，匹配失败，返回None
>>> m.group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'


>>> m=re.search("\d+","asd12assd3124")#开头不是数字，索引加1在匹配，匹配到一个就返回，索引到末尾还没有匹配就返回None
>>> m.group()
'12'
>>>
>>> m=re.search("\d+","asdqweqweqwe")
>>> print m
None
>>>

–

re.findall(pattern, string[, flags]): 

m2=re.findall("[a-zA-Z]","14123sasdasdcv3434234")#匹配所有的单个字母
print m2  #['s', 'a', 's', 'd', 'a', 's', 'd', 'c', 'v']

m2=re.findall("[a-zA-Z]{3,5}","14123sasdasdcv3434234")
print m2  #['sasda', 'sdcv']   贪吃原则，先匹配最长的，即先匹配5个字符，剩下的

m2=re.findall(".","14123sasdasdcv3434234")  #匹配任意单个字符
print m2  #['1', '4', '1', '2', '3', 's', 'a', 's', 'd', 'a', 's', 'd', 'c', 'v', '3', '4', '3', '4', '2', '3', '4']

m2=re.findall(".*","14123sasdasdcv3434234") #匹配任意多(0到无穷)个任意字符
print m2 #['14123sasdasdcv3434234', ''] 为什么有空的，因为0个也算是一个

m2=re.findall(".+","14123sasdasdcv3434234") #匹配任意多(1到无穷)个任意字符
print m2 #['14123sasdasdcv3434234']

搜索string，以列表形式返回全部能匹配的子串。

–

re.sub(pattern, repl, string[, count]): 

m2=re.sub("\d",'|',"a75_46.5 4a~bc6@def",count=2)  #将前两个数字替换成“|”,
print m2  #a||_46.5 4a~bc6@def

使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count用于指定最多替换次数，不指定时全部替换。

–

re.split(pattern, string[, maxsplit]): 

import re 
print re.split('\d+','one1two2three3four4')

### output ###
# ['one', 'two', 'three', 'four', '']

按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

匹配对象和group(),groups()方法

在处理正则表达式的时候，除了regex对象之外，还有一种对象类型匹配对象，这些对象是在match（）或者search（）被成功调用后返回的结果，匹配对象主要有两种方法，group(),groups()

group（）方法或者返回所有的匹配对象或是根据要求返回某个特定子组。groups（）很简单，他返回一个包含唯一或者所有子组的元组。

示例

用于练习的数据生成代码
from random import randint,choice
from string import lowercase
from sys import  maxint
from time import  ctime

doms=('com','edu','net','org','gov')

for i in range(randint(5,10)):
    dtint=randint(0,maxint-1)
    dtstr=ctime(dtint)
    shorter=randint(4,7)
    em=''
    for j in range(shorter):
        em+=choice(lowercase)
    longer=randint(shorter,12)
    dn=''
    for j in range(longer):
        dn+=choice(lowercase)

Sun May 03 19:31:12 1992::nqhqi@gifwgwk.net::704892672-5-7
Mon Apr 08 13:27:52 2002::fmizmhs@krbhkrbobmf.org::1018243672-7-11
Wed May 24 12:18:11 2017::fkaztp@bljeixnxa.edu::1495599491-6-9
Tue May 16 12:01:36 2000::pzcgnv@tvnzcrzi.org::958449696-6-8
Sat Jan 19 18:14:04 2036::ixvyl@vhzwfdrftm.gov::2084350444-5-10
Fri Jan 12 01:07:32 2035::zrrjrw@urvvvjhxitzu.edu::2052148052-6-12
Thu Aug 15 23:51:19 2002::qhmxuv@qyuwledrrho.com::1029426679-6-11
Fri Jun 18 08:45:36 2032::zchzxe@nsbvldxrfky.net::1971132336-6-11
用生成的这些字符串进行匹配练习

待续

5.常用的正则表达式收集

匹配Email地址的正则表达式：w+([-+.]w+)*@w+([-.]w+)*.w+([-.]w+)* 
匹配URL的正则表达式：http://([w-]+.)+[w-]+(/[w- ./?%&=]*)? 
匹配HTML标记的正则表达式：/<(.*)>.*|<(.*) />/ 
匹配IP地址的正则表达式 ：/(d+).(d+).(d+).(d+)/g 


验证Email地址：^w+[-+.]w+)*@w+([-.]w+)*.w+([-.]w+)*$
验证URL：^http://([w-]+.)+[w-]+(/[w-./?%&=]*)?$
验证用户密码:^[a-zA-Z]w{5,17}$  正确格式为：以字母开头，长度在6-18之间