python正则表达式的简单使用

正则表达式，简称regex，是文本模式的描述方法。

简单使用

\d可表示一个数字字符，若想匹配一串电话号码如下

>>> import re
>>> phoneNumRe = re.compile(r'\d\d\d-\d\d\d\d-\d\d\d\d')
>>> mo = phoneNumRe.search('My phone number is 123-4567-8901.')
>>> print('Phone Number is ' + mo.group())
Phone Number is 123-4567-8901

re.compile()传入一个字符串值，表示正则表达式，它将返回一个Regex模式对象。

Regex对象的search()方法查找传入的字符串，寻找该正则表达式的所有匹配。若没有找到，返回None，否则，返回一个Match对象。

Match对象有个group()方法，返回被查找字符串中实际匹配的文本。

用正则表达式匹配更多模式

利用括号分组

>>> phoneNumRe = re.compile(r'(\d\d\d)-(\d\d\d\d-\d\d\d\d)')
>>> mo = phoneNumRe.search('My phone number is 123-4567-8901.')
>>> mo.group(1)
'123'
>>> mo.group(2)
'4567-8901'
>>> mo.group(0)
'123-4567-8901'
>>> mo.group()
'123-4567-8901'
>>> mo.groups()
('123', '4567-8901')

在正则表达式中添加括号创建“分组”，然后使用group()匹配对象方法，从一个分组中获取匹配的文本。

第一对括号是第一组，第二对括号是第二组。

向group()传入1，2可获得匹配文本的不同部分，传入0或不传入参数，将返回整个匹配文本，若想要一次获取所有分组，可使用groups()

用管道匹配多个分组

>>> heroRe = re.compile(r'Batman|Tina Fey')
>>> mo = heroRe.search('Batman and Tina Fey.')
>>> mo.group()
'Batman'
>>> mo2 =  heroRe.search('Tina Fey and Batman.')
>>> mo2.group()
'Tina Fey'

字符|称为“管道”，当需要匹配多个表达式中一个时可以使用。

当多个匹配都出现在字符串中，第一个出现的匹配文本将作为Match对象返回

>>> batRe = re.compile(r'Bat(man|mobile|copter|bat)')
>>> mo = batRe.search('Batmobile Batbat')
>>> mo.group()
'Batmobile'
>>> mo.group(1)
'mobile'

若希望匹配的字符有相同的前缀或后缀，可使用括号将不同的部分括起来。

mo.group()返回了完全匹配的文本‘Batmobile’，mo.group(1)只是返回第一个括号分组内匹配的文本‘mobile’

若需要匹配真正的管道字符可使用转义字符，即\|

用问号实现可选匹配

>>> phoneRe = re.compile(r'(\d\d\d-)?\d\d\d-\d\d\d\d')
>>> mo1 = phoneRe.search('My phone number is 123-456-7890')
>>> mo1.group()
'123-456-7890'
>>> mo2 = phoneRe.search('My phone number is 123-4567')
>>> mo2.group()
'123-4567'

有时，想匹配的模式时可选的，即，不论文本是否存在都默认匹配。

字符？表明它前面的分组在这个模式是可选的

(\d\d\d)?表明\d\d\d是可选的，可出现0次或一次。

若需匹配真正的？可使用转义字符\?

用星号匹配零次或多次

>>> batRe = re.compile(r'Bat(wo)*man')
>>> mo1 = batRe.search('The Advantage of Batman')
>>> mo1.group()
'Batman'
>>> mo2 = batRe.search('The Advantage of Batwoman')
>>> mo2.group()
'Batwoman'
>>> mo3 = batRe.search('The Advantage of Batwowowoman')
>>> mo3.group()
'Batwowowoman'

*表明匹配零次或多次，即*之前的分组可不存在或存在多次

若要匹配*可使用\*

用加号匹配一次或多次

>>> batRe = re.compile(r'Bat(wo)+man')
>>> mo1 = batRe.search('The Advantage of Batman')
>>> mo1 == None
True
>>> mo2 = batRe.search('The Advantage of Batwoman')
>>> mo2.group()
'Batwoman'
>>> mo3 = batRe.search('The Advantage of Batwowowoman')
>>> mo3.group()
'Batwowowoman'

+表明匹配一次或多次，+前的分组必须至少出现一次

若要匹配+可使用\+

用花括号匹配特定次数

>>> haRe = re.compile(r'(Ha){3}')
>>> mo1 = haRe.search('HaHaHa')
>>> mo1.group()
'HaHaHa'
>>> mo2 = haRe.search('HaHa')
>>> mo2 == None
True

若想要一个分组重复特定次数，就在正则表达式中该分组后加上花括号包围的数字，花括号还可以指定一个范围，即在花括号中下一个最小值、一个逗号、一个最大值；

其中最小值或最大值可省略，如{3,}{,5}分别表示匹配三次及以上和0到5次。

贪心和非贪心匹配

正则表达式默认是贪心的，即在有二义的情况下会尽可能匹配长的字符串。花括号的非贪心版本匹配尽可能匹配最短的字符串，即在结束的花括号后跟着一个问号。

>>> greedRe = re.compile(r'(ha){3,5}')
>>> mo1 = greedRe.search('hahahahaha')
>>> mo1.group()
'hahahahaha'
>>> nonGreedRe = re.compile(r'(ha){3,5}?')
>>> mo2 = nonGreedRe.search('hahahahaha')
>>> mo2.group()
'hahaha'

注：？在正则表达式中有两种含义：声明非贪心匹配或表示可选的分组。两种含义无关。

findall()方法

除search()外，Regex还有findall()方法，findall()返回一组字符串，包含被查找字符串中所有匹配

>>> phoneNumRe = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')
>>> phoneNumRe.findall('Cell:123-456-7890 Work:012-345-6789')
['123-456-7890', '012-345-6789']
>>> phoneNumRe = re.compile(r'(\d\d\d)-(\d\d\d)-(\d\d\d\d)')
>>> phoneNumRe.findall('Cell:123-456-7890 Work:012-345-6789')
[('123', '456', '7890'), ('012', '345', '6789')]

若正则表达式中有分组，findall()将返回元组的列表。每个元组表示一个找到的匹配，其中的项为正则表达式中每个分组的匹配字符串。

字符分类

缩写字符分类	表示
\d	0到9的任何数字
\D	除0到9的任何字符
\w	任何字母、数字或下划线字符（可认为是匹配”单词“字符）
\W	除字母、数字或下划线以外的任何字符
\s	空格、制表符或换行符（可认为是匹配”空白“字符）
\S	除空格、制表符和换行符以外的任何字符

建立自己的字符分类

有时需匹配一组字符，但缩写的字符分类过于宽泛。可用方括号定义自己的字符分类。如[a-z0-9]匹配所有小写字母及数字。

在字符分类的左方括号后加上一个插入字符(^)，可得到非字符类，如[^a-z0-9]匹配除小写字母及数字的任何字符。

注：在方括号内，普通的正则表达式符号不会被解释。

插入字符和美元符号

可以在正则表达式的开始处使用插入符号^，表明匹配必须发生在被查找文本的开始处。在正则表达式末尾加上美元符号$，表明该字符串必须以这个正则表达式的模式结束。

可同时使用^和$，表明整个字符串必须匹配该模式，即，只匹配该字符串的某个子集是不够的

>>> beginsRe = re.compile(r'^Hello')
>>> beginsRe.search('Hello World!')
<_sre.SRE_Match object; span=(0, 5), match='Hello'>
>>> beginsRe.search('He said Hello') == None
True
>>> endsRe = re.compile(r'\d$')
>>> endsRe.search('Your name is 42')
<_sre.SRE_Match object; span=(14, 15), match='2'>
>>> endsRe.search('Your name is forth two') == None
True
>>> wholeRe = re.compile(r'^\d+$')
>>> wholeRe.search('1234567890')
<_sre.SRE_Match object; span=(0, 10), match='1234567890'>
>>> wholeRe.search('12345xyz67890') == None
True
>>> wholeRe.search('12345  67890') == None
True

通配字符

.(句号)称为“通配符”，匹配除换行外所有字符

>>> atRe = re.compile(r'.at')
>>> atRe.findall('The cat in the hat sat in the flat mat.')
['cat', 'hat', 'sat', 'lat', 'mat']

匹配真正的.需使用转义字符

用点-星匹配所有字符

用（.*）表示任意文本

(.*)使用贪心模式，总是尽可能匹配多的文本，若要使用非贪心模式匹配文本，使用.*?

？告诉python用非贪心模式匹配

>>> nameRe = re.compile(r'First Name:(.*) Last Name:(.*)')
>>> mo = nameRe.search('First Name:Al Last Name:Sweigart')
>>> mo.group(1)
'Al'
>>> mo.group(2)
'Sweigart'
>>> nongreedRe = re.compile(r'<.*?>')
>>> mo = nongreedRe.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man>'
>>> greedRe = re.compile(r'<.*>')
>>> mo = greedRe.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man> for dinner.>'

用句点字符匹配换行

通过传入re.DOTALL作为re.compile()的第二个参数，可以让句点字符匹配所有字符，包括换行

>>> noNewLineRe = re.compile(r'.*')  
>>> noNewLineRe.search('Serve the public trust.\nProtect the innocent.\nUphold the law.').group()
'Serve the public trust.'
>>> newLineRe = re.compile(r'.*',re.DOTALL)
>>> newLineRe.search('Serve the public trust.\nProtect the innocent.\nUphold the law.').group()
'Serve the public trust.\nProtect the innocent.\nUphold the law.'

不区分大小写的匹配

要让正则表达式不区分大小写可向re.compile()传入re.IGNORECASE或re.I作为第二个参数

>>> rebocop = re.compile(r'robocop', re.I)
>>> rebocop.search('RoboCop is part man').group()
'RoboCop'
>>> rebocop.search('ROBOCOP is part man').group()
'ROBOCOP'
>>> rebocop.search('robocop is part man').group()
'robocop'

用sub()方法替换字符串

Regex的sub()方法需要传入两个参数。第一个参数为一个字符串，用于取代发现的匹配，第二个参数为字符串，即正则表达式。sub()方法返回替换完成后的字符串

>>> nameRe = re.compile(r'Agent \w+')
>>> nameRe.sub('CENSORED', 'Agent Alice gave the secret doucuments to Agent Bob')
'CENSORED gave the secret doucuments to CENSORED'

有时，需要使用匹配文本作为替换的一部分。在sub()中的第一个参数中，可以输入\1、\2、\3……。表示“在替换中输入分组1、2、3……的文本”

>>> agentNameRe = re.compile(r'Agent (\w)\w*')
>>> agentNameRe.sub(r'\1****', 'Agent Alice told Agent Carol that Agent Eve knew Agent Bob was a double agent')
'A**** told C**** that E**** knew B**** was a double agent'

管理复杂的正则表达式

可以向re.compile()传入变量re.VERBOSE，作为第二个参数忽略正则表达式字符串中的空白符和注释

如：

>>> phoneRe = re.compile(r'''(
... (\d{3}|\(\d{3}\))?        #area code
... (\s|-|\.)?                #seperator
.........
... )''', re.VERBOSE)

组合使用re.IGNORECASE、re.DOTALL和re.VERBOSE

re.compile()只接受一个值作为它的第二个参数，可以使用管道（|）将变量组合起来，从而绕过这个限制。|在此称为“按位或”

>>> someRe = re.compile('foo', re.IGNORECASE|re.DOTALL)