【Python编程快速上手 —让繁琐工作自动化】——模式匹配与正则表达式

模式匹配与正则表达式

1 用正则表达式查找文本模式

• 模块：import re

• compile函数：向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

  • 示例

    import re
    
    p = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')
    mo = p.search('My number is 415-555-4242.')
    
    print(mo.group())
    

2 正则表达式中的符号

• 利用括号分组：

  • 添加括号将在正则表达式中创建“分组”：(\d\d\d)-(\d\d\d-\d\d\d\d)
  • 可以使用group()匹配对象方法，从一个分组中获取匹配的文本

  p = re.compile(r'(\d\d\d)-(\d\d\d-\d\d\d\d)')
  mo = p.search('My number is 415-555-4242.')
  
  print(mo.group(1))
  print(mo.group(2))
  print(mo.group())
  
  # 括号在正则表达式中有特殊的含义，但是如果需要在文本中匹配括号，就需要用倒斜杠对(和)进行字符转义。
  p = re.compile(r'(\(\d\d\d\))-(\d\d\d-\d\d\d\d)')
  mo = p.search('My number is (415)-555-4242.')
  print(mo.group(1))
  print(mo.group(2))
  

• 用管道匹配多个分组

  字符|称为”管道“。希望匹配许多表达式中的一个时，就可以使用它。

  # 如果Batman 和Tina Fey 都出现在被查找的字符串中，第一次出现的匹配文本，将作为Match 对象返回
  r = re.compile(r'Batman|Tina Fey')
  mo1 = r.search('Batman and Tina Fey.')
  mo2 = r.search('Tina Fey and Batman')
  In[11]: mo1.group()
  Out[11]: 'Batman'
  
  In[12]: mo2.group()
  Out[12]: 'Tina Fey'
  

  • 指定前缀：batRegex = re.compile(r'Bat(man|mobile|copter|bat)')

• 用问号实现可选匹配：batRegex = re.compile(r'Bat(wo)?man')

• 用星号匹配零次或多次：batRegex = re.compile(r'Bat(wo)*man')

• 用加号匹配一次或多次：batRegex = re.compile(r'Bat(wo)+man')

• 用花括号匹配特定次数：

  • haRegex = re.compile(r'(Ha){3}')
  • haRegex = re.compile(r'(Ha){3,5}')：匹配’HaHaHa’、‘HaHaHaHa’和’HaHaHaHaHa’

• 问号：贪心与非贪心

  • Python 的正则表达式默认是**“贪心”**的，这表示在有二义的情况下，它们会尽可能匹配最长的字符串

    greedyHaRegex = re.compile(r'(Ha){3,5}')

  • 花括号的“非贪心”版本匹配尽可能最短的字符串，即在结束的花括号后跟着一个问号。

    nongreedyHaRegex = re.compile(r'(Ha){3,5}?')

• 方括号：自定义字符分类

  • 你可以用方括号定义自己的字符分类

    vowelRegex = re.compile(r'[aeiouAEIOU]')

  • 可以使用短横表示字母或数字的范围

  • 通过在字符分类的左方括号后加上一个插入字符（^），就可以得到“非字符类”。

    consonantRegex = re.compile(r'[^aeiouAEIOU]')

• 美元与插入符号：

  • 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开始处
  • 可以在正则表达式的末尾加上美元符号（$），表示该字符串必须以这个正则表达式的模式结束
  • 可以同时使用^和$，表明整个字符串必须匹配该模式

• 句点：通配字符

  • .（句点）字符称为“通配符”它匹配除了换行之外的所有字符，句点字符只匹配一个字符

  • 要匹配真正的句点，就是用倒斜杠转义：.

  • 用点-星匹配所有字符

    nameRegex = re.compile(r'First Name: (.*) Last Name: (.*)')

    • 点-星使用“贪心”模式：它总是匹配尽可能多的文本。要用“非贪心”模式匹配所有文本，就使用点-星和问号
      • nongreedyRegex = re.compile(r'<.*?>')

  • 用句点字符匹配换行

    • 点-星将匹配除换行外的所有字符。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，包括换行字符

      newlineRegex = re.compile('.*', re.DOTALL)

3 findall()方法

• search()将返回一个Match对象，包含被查找字符串中的“第一次”匹配的文本

• findall()方法将返回一组字符串，包含被查找字符串中的所有匹配

  phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d') # has no groups
  mo = phoneNumRegex.findall('Cell: 415-555-9999 Work: 212-555-0000')
  

4 字符分类

缩写字符分类	表示
\d	0-9的任何数
\D	除0-9的任何数
\w	任何字母、数字或下划线字符
\W	除字母、数字或下划线的任何字符
\s	空格、制表符或换行符
\S	除空格、制表符或换行符的任何字符

5 compile的参数

• 不区分大小写的匹配

  • 要让正则表达式不区分大小写，可以向re.compile()传入re.IGNORECASE 或re.I，作为第二个参数。

    robocop = re.compile(r'robocop', re.I)

• 管理复杂的正则表达式

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

    phoneRegex = re.compile(r'''(
        (\d{3}|\(\d{3}\))?            # area code
        (\s|-|\.)?                    # separator
        \d{3}                        # first 3 digits
        (\s|-|\.)                     # separator
        \d{4}                        # last 4 digits
        (\s*(ext|x|ext.)\s*\d{2,5})?  # extension
        )''', re.VERBOSE)
    

• 组合使用re.IGNOREC ASE、re.DOTALL 和re.VERBOSE

  • 如果你希望在正则表达式中使用re.VERBOSE 来编写注释，还希望使用re.IGNORECASE 来忽略大小写，遗憾的是，re.compile()函数只接受一个值作为它的第二参数。可以使用管道字符（|）将变量组合起来，从而绕过这个限制。管道字符在这里称为“按位或”操作符。

    someRegexValue = re.compile('foo', re.IGNORECASE | re.DOTALL | re.VERBOSE)

6 用sub()方法替换字符串

• Regex对象的sub()方法需要传入两个参数。第一个参数是一个字符串，用于取代发现的匹配。第二个参数是一个字符串，即正则表达式。

  namesRegex = re.compile(r'Agent \w+')
  mo = namesRegex.sub('CENSORED', 'Agent Alice gave the secret documents to Agent Bob.')