python正则表达式 re.sub的各个参数的详细解释

一、re.sub(pattern, repl, string, count=0, flags=0)

re是正则的表达式，sub是substitute，表示替换
re.sub共有五个参数。

re.sub(pattern, repl, string, count=0, flags=0)

其中三个必选参数：pattern, repl, string

两个可选参数：count, flags

二、参数讲解

1、pattern参数

pattern，表示正则中的模式字符串，这个没太多要解释的。

需要知道的是：
反斜杠加数字：\N，则对应着匹配的组：matched group
比如\6，表示匹配前面pattern中的第6个group
意味着，pattern中，前面肯定是存在对应的组，后面也才能去引用
举个例子

hello xinfa, nihao xinfa

我们想把xinfa替换成linxinfa，就可以这样：

import re

inputStr = "hello xinfa, nihao xinfa"
replacedStr = re.sub(r"hello (\w+), nihao \1", "linxinfa", inputStr)
print("replacedStr = ", replacedStr) 
#输出结果为: replacedStr = linxinfa

注意，上面的(\w+)，括号括起来表示一个组；
里面的\w表示匹配字母、数字、下划线，等价于[A-Za-z0-9_]；
然后+表示匹配前面的子表达式一次或多次。
所以(\w+)就是匹配多个字母、数字、下划线的意思。表达式中的\1表示匹配第一个组，第一个组就是(\w+)。

2、repl参数

repl，就是replacement，被替换的字符串的意思。
repl可以是字符串，也可以是函数。

2.1、repl是字符串

如果repl是字符串的话，其中的任何反斜杠转义字符，都会被处理。
比如：
\n：会被处理为对应的换行符；
\r：会被处理为回车符；
其他不能识别的转移字符，则只是被识别为普通的字符： 比如\j，会被处理为j这个字母本身；
比较特殊的是\g<n>，\g表示匹配组，n是组的id，比如\g<1>表示第一个组。
还是上面的例子，我们想把xinfa提取出来，只剩xinfa

hello xinfa, nihao xinfa

就可以这样写：

import re

inputStr = "hello xinfa, nihao xinfa"
replacedStr = re.sub(r"hello (\w+), nihao \1", "\g<1>", inputStr)
print("replacedStr = ", replacedStr) 
#输出结果为: replacedStr = xinfa

2.2、repl是函数

比如输入内容是：

hello 123 world 456

想要把其中的数字部分，都加上111，变成：

hello 234 world 567

那么就可以这样：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import re;

def pythonReSubDemo():
    """
        demo Pyton re.sub
    """
    inputStr = "hello 123 world 456"

    def _add111(matched):
        intStr = matched.group("number")
        intValue = int(intStr)
        addedValue = intValue + 111
        addedValueStr = str(addedValue)
        return addedValueStr

    replacedStr = re.sub("(?P<number>\d+)", _add111, inputStr)
    print("replacedStr=",replacedStr) 
    #输出结果为：replacedStr= hello 234 world 567

if __name__=="__main__":
    pythonReSubDemo()

注意上面，用了一个?P<value>。
?P<value>的意思就是命名一个名字为value的组，匹配规则符合后面的\d+。

3、string参数

string，即表示要被处理，要被替换的那个string字符串。

4、count参数

举例说明：
继续之前的例子，假如对于匹配到的内容，只处理其中一部分。
比如：

hello 123 world 456 nihao 789

我们只是想要处理前面两个数字：123，456，分别给他们加111，而不处理789，
那么就可以这样：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import re;

def pythonReSubDemo():
    """
        demo Pyton re.sub
    """
    inputStr = "hello 123 world 456 nihao 789"

    def _add111(matched):
        intStr = matched.group("number")
        intValue = int(intStr)
        addedValue = intValue + 111 
        addedValueStr = str(addedValue)
        return addedValueStr

    replacedStr = re.sub("(?P<number>\d+)", _add111, inputStr, 2)
    print("replacedStr = ", replacedStr)
	#输出结果为：replacedStr = hello 234 world 567 nihao 789

if __name__=="__main__":
    pythonReSubDemo()

5、flags参数

flags是编译标志。编译标志让你可以修改正则表达式的一些运行方式。
在re模块中标志可以使用两个名字，一个是全名如IGNORECASE，一个是缩写，一字母形式如I。（如果你熟悉 Perl 的模式修改，一字母形式使用同样的字母；例如re.VERBOSE的缩写形式是re.X。）
多个标志可以通过按位或它们来指定。如re.I | re.M被设置成I和M标志。
下面列举下常用的编译标志。

5.1、IGNORECASE（简写I）

使匹配对大小写不敏感；
举个例子，[A-Z]也可以匹配小写字母，Spam可以匹配 Spam、spam或spAM。

5.2、LOCALE（简写L）

locales是C语言库中的一项功能，是用来为需要考虑不同语言的编程提供帮助的。
举个例子，如果你正在处理法文文本，你想用 w+来匹配文字，但w只匹配字符类[A-Za-z]，它并不能匹配é。
如果你的系统配置适当且本地化设置为法语，那么内部的 C函数将告诉程序é也应该被认为是一个字母。
当在编译正则表达式时使用 LOCALE标志会得到用这些 C函数来处理 w后的编译对象，这会更慢，但也会象你希望的那样可以用w+来匹配法文文本。

5.3、MULTILINE（简写M）

MULTILINE多行的意思，改变 ^ 和 $ 的行为。
使用 ^只匹配字符串的开始，而 $则只匹配字符串的结尾和直接在换行前（如果有的话）的字符串结尾。
当本标志指定后，^匹配字符串的开始和字符串中每行的开始。同样的， $元字符匹配字符串结尾和字符串中每行的结尾（直接在每个换行之前）。
例如

import re

s='hello \nworld \nxinfa'
print(s)

pattern=re.compile(r'^\w+')
print(re.findall(pattern,s))

#加上flags=re.M
pattern=re.compile(r'^\w+', flags=re.M)
print(re.findall(pattern,s))

输出结果为

hello 
world 
xinfa
['hello']
['hello', 'world', 'xinfa']

5.4、DOTALL（简写S）

此模式下 .的匹配不受限制，可匹配任何字符，包括换行符，也就是默认是不能匹配换行符。
例：

 #!/usr/bin/python
# -*- coding: utf-8 -*-
import re

s = '''first line
    ...: second line
    ...: third line'''

regex=re.compile('.+')
print(regex.findall(s))

regex=re.compile('.+', re.S)
print(regex.findall(s))

输出结：

['first line', '    ...: second line', '    ...: third line']
['first line\n    ...: second line\n    ...: third line']

5.5、VERBOSE（简写X）

冗余模式， 此模式忽略正则表达式中的空白和#号的注释。
例：

email_regex = re.compile("[\w+\.]+@[a-zA-Z\d]+\.(com|cn)")
 
email_regex = re.compile("""[\w+\.]+  # 匹配@符前的部分
                            @  # @符
                            [a-zA-Z\d]+  # 邮箱类别
                            \.(com|cn)   # 邮箱后缀  """, re.X)