[Python 实战] - No.12 Python 中的正则表达式使用

1. Python中如何使用正则表达式

Python中使用正则表达式的步骤如下：

• 使用import re导入正则表达式模块
• 使用re.compile()创建一个对象
• 使用Regex对象的search()方法，传入一个字符串，然后返回一个Match对象
• 调用Match对象的group()方法，返回文本中匹配该正则表达式的字符串

示例如下,查找学生姓名中姓Zhang的同学姓名

import re

namelist = "Li Ming;Zhang San;Fu yu;Guo Ji;Ren Jie;Zhang Lin;"
nameRegex = re.compile(r"Zhang\s\w+")
match = nameRegex.search(namelist)
print(match.group())

结果如下：

Zhang San

上面的代码中，有几个地方需要解释一下：

• re.compile(r"Zhang San\s\w+")在正则表达式的前面加了一个r，标识该字符为原始字符串。因为，在Python中，转义字符前面需要加\来标记，如果你需要在字符串中打出\，那么你需要使用\\，或者在字符串的前面加入一个r来标记

  r"Zhang San\s\w+" 和"Zhang San\\s\\w+"是等价的

• search()函数匹配文本中第一个符合该字符串的结果并返回一个Match对象，Match对象的group()函数将返回被查找到的实际文本。所以在上述结果中,我们仅得到Zhang San这个结果。如果你的正则表达式中含有分组(后续会讲到)，你可以使用group(1), group(2)来查询正则表达式中第一个，第二个分组的匹配结果。

2. 正则表达式的更多模式

1. 使用括号分组

假设，某地区的电话号码的表示形式为123-456-7890的形式，且前三位为区号，后七位标识电话号，要求将从文本中同时获取区号，电话号和整体的电话号码。

代码和结果如下：

text = "My phone number is 455-789-1234"
pnRegex = re.compile(r"(\d\d\d)-(\d\d\d-\d\d\d\d)")
match = pnRegex.search(text)
print(match.group())
print(match.group(1))
print(match.group(2))
print(match.groups())

结果如下：

455-789-1234
455
789-1234
(‘455’, ‘789-1234’)

group()默认传入参数为0，即返回整个匹配的文本。如果想获取全体分组的结果，使用groups()函数，该函数返回一个包含所有分组匹配结果的元组。

2. 使用管道匹配多个分组

字符|是正则表达式中的管道，用来匹配许多表达式中的一个。如果想匹配姓名列表中，姓Zhang的和姓Li的同学的姓名，可以使用管道|来连接多个正则表达式。

 namelist1 = "Li Ming;Zhang San;Fu yu;Guo Ji;Ren Jie;Zhang Lin;"
 namelist2 = "Zhang San;Fu yu;Guo Ji;Ren Jie;Zhang Lin;Li Ming;"
 nameRegex = re.compile(r"Zhang\s\w+|Li\s\w+")
 match1 = nameRegex.search(namelist1)
 print(match1.group())
 match2 = nameRegex.search(namelist2)
 print(match2.group())

结果如下：

Li Ming
Zhang San

3. 使用问号实现可选匹配

例如在之前的电话匹配中，我们希望即便有人省略区号，依然可以检测出电话号码。使用?来实现部分匹配的模式是可选的

text1 = "My phone number is 455-789-1234"
text2 = "My phone number is 789-1234"
pnRegex = re.compile(r"(\d\d\d-)?(\d\d\d-\d\d\d\d)")
match1 = pnRegex.search(text1)
print(match1.group())
match2 = pnRegex.search(text2)
print(match2.group())

结果如下：

455-789-1234
789-1234

4. 使用花括号匹配特定次数

假设现在我们有一串字符串：

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

如果我们想匹配一下几种情况：

• 恰好三个* 连在一起的，如***
• 少于等于三个* 连在一起的，如**,*
• 连在一起的*个数大于等于四，但是小于等于五
• 大于等于六个*连在一起的，如******

代码如下：

text = "* *** ********** ** **** ****** ** ***** * ******* ***** **** ***** * *** * **"
sRegex1 = re.compile(r"(\*){3}")
sRegex2 = re.compile(r"(\*){,3}")
sRegex3 = re.compile(r"(\*){4,5}")
sRegex4 = re.compile(r"(\*){6,}")
match1 = sRegex1.search(text)
match2 = sRegex2.search(text)
match3 = sRegex3.search(text)
match4 = sRegex4.search(text)
print(match1.group())
print(match2.group())
print(match3.group())
print(match4.group())

结果如下所示：

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

r"(\*){3}"中，(\*)表示匹配*型字符的分组。因为 *在正则表达式中表示匹配一个或多个，所以需要使用\进行转义，表示字符 *

花括号{n,m}，表示前面的分组重复次数大于等于n次并且小于等于m次。m和n也可省略其中一个，表示大于等于n或者小于等于m。{n}表示分组恰好重复n次。

另外，可以看到，在被匹配的文本中，长度为4的字符串****排在长度为5的字符串***** 前面，但是代码查找到的结果是*****，这是因为默认情况下正则表达式是贪婪地，花括号的贪婪版本会尽可能的匹配更长的字符串。使用字符?可以声明正则表达式为非贪心形式

text = "* *** ********** ** *** ****** **** ***** * ******* ***** **** ***** * *** * **"
sRegex1 = re.compile(r"(\*){4,5}")
match1 = sRegex1.search(text)
sRegex2 = re.compile(r"(\*){4,5}?")
match2 = sRegex2.search(text)
print(match1.group())
print(match2.group())

结果如下：

*****
****

5. findall()方法

re模块的findall()方法返回被匹配文本中的所有匹配到的结果。

之前提到的search() 仅返回文本中第一个匹配到的结果，方法返回一个Match对象，并调用Match对象的group()函数获取匹配结果

findall()匹配文本中所有匹配的结果，并且返回一个所有结果的列表。如果正则表达式中有分组，那么findall()将返回分组的列表

比如之前的电话号的正则表达式：

text = "My phone number is 455-789-1234,Lily's phone number is 110-101-1230 and Lucy's phone number is 789-456-1245"
pnRegex = re.compile(r"(\d\d\d)-(\d\d\d-\d\d\d\d)")
reslist = pnRegex.findall(text)
print(reslist)

结果如下：

[(‘455’, ‘789-1234’), (‘110’, ‘101-1230’), (‘789’, ‘456-1245’)]

6. sub()函数和compile()函数

前面我们使用了re.compile() 来构造特定正则表达式的Regex对象，compile()函数具体的签名如下：

def compile(pattern, flags=0)

所以我们可以在compile()追加第二个参数，实现特定功能。

例如：检索文本中所有的Alice词语，不区分大小写，代码如下

text = "Alice is aLice,aliCe,and ALIcE.But it's not Bob."
regex = re.compile("Alice", re.IGNORECASE)
res = regex.findall(text)
print(res)

结果如下所示：

[‘Alice’, ‘aLice’, ‘aliCe’, ‘ALIcE’]

flags`的其他参数如下：

参数	缩写	用途
re.IGNORECASE	re.I	Perform case-insensitive matching.
re.LOCALE	re.L	Make \w, \W, \b, \B, dependent on the current locale.
re.MULTILINE	re.M	“^” matches the beginning of lines (after a newline) as well as the string. “$” matches the end of lines (before a newline) as well as the end of the string.
re.DOTALL	re.D	“.” matches any character at all, including the newline.
re.VERBOSE	re.X	Ignore whitespace and comments for nicer looking RE’s.
re.UNICODE	re.U	For compatibility only. Ignored for string patterns (it is the default), and forbidden for bytes patterns.

sub()函数可以用于替换正则表达式查找到的字符串。例如，我们将之前字符串中所有的Alice的姓名隐藏：

text = "Alice is aLice,aliCe,ALIcE.But it's not Bob."
regex = re.compile(r"(A)(\w+)", re.IGNORECASE)
print(regex.sub(r'\1****',text))

结果如下所示：

A**** is a****,a****,A****.But it’s not Bob.

sub（）函数第一个参数是要替换为的字符串，第二个参数是匹配的正则表达式。另外在sub()函数的第一个参数中，可以使用\1,\2 …来表示替换分组1,2…中的文本

正则表达式中的常用字符表，网上资源很多，这里不再放出来。

---

P.S. 文章不足之处还望指正
参考书籍：《Python编程快速上手—让繁琐工作自动化》