无情未必真豪杰,怜子如何不丈夫
鲁迅
前言
对于文本的过滤或者规则的匹配,最强大的就是正则表达式。
正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个"规则字符串",这个"规则字符串"用来表达对字符串的一种过滤逻辑。
正则表达式匹配规则
re 模块
在 python 中,使用内置模块 re 来表达正则表达式。
1、re模块的一般使用步骤
使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象。
通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象。
最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作。
2、compile函数
compile 函数用于编译正则表达式,生成一个 Pattern 对象。
import re# 将正则表达式编译成 Pattern 对象pattern = re.compile(r'\d+')
以上代码已经将一个正则表达式编译成一个 Pattern 对象,以便利用 pattern 的一系列方法对文本进行匹配查找了。
Pattern 对象的一些常用方法主要有:
match 方法:从起始位置开始查找,一次匹配。
search 方法:从任何位置开始查找,一次匹配。
findall 方法:全部匹配,返回列表。
finditer 方法:全部匹配,返回迭代器。
spilt 方法:分割字符串,返回列表。
sub 方法:替换。
3、match方法
match方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配结果就返回,而不是查找所有的结果,它的一般使用形式如下:
match(string[,pos[,endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
>>> import re>>> pattern = re.compile(r'\d+') #用于匹配至少一个数字>>> m = pattern.match('one2three4four5') #查找头部,没有匹配>>> print(m)None>>> m = pattern.match('one2three4four5',3,10) #从索引为3的位置开始查找>>> print(m) #返回一个 match 对象<_sre.sre_match object span="(<span">3, >>> m.group()'2'>>> m.start()3>>> m.end()4>>> m.span()(3, 4)
再看一个例子:
>>> import re>>> pattern = re.compile(r'([a-z]+) ([a-z]+)',re.I) #匹配两个字符,中间用空格隔开,re.I 表示忽略大小写>>> m = pattern.match('Hello World Wide Web')>>> print(m) #匹配成功,返回一个 match 对象<_sre.sre_match object span="(<span">0, >>> m.group() #返回匹配成功的整个子串'Hello World'>>> m.span() #返回匹配成功的整个字串的索引(0, 11)>>> m.group(1) #返回第一个分组匹配成功的子串'Hello'>>> m.group(2) #返回第二个分组匹配成功的子串'World'>>> m.groups() #等价于 (m.group(1), m.group(2), ...)('Hello', 'World')>>> m.group(3) #不存在第三分组Traceback (most recent call last): File "", line 1, in <module>IndexError: no such group
4、search方法
search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
让我们看看例子:
>>> import re>>> pattern = re.compile('\d+') #用于匹配至少一个数字>>> m = pattern.search('one12twothree34four') #全局匹配,之匹配一次>>> m<_sre.sre_match object span="(<span">3, >>> m.group()'12'>>> m = pattern.search('one12twothree34four',10,30) #指定位置匹配>>> m<_sre.sre_match object span="(<span">13, >>> m.span() #起始位置和终止位置(13, 15)
5、findall方法
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。
import repattern = re.compile(r'\d+') # 至少匹配一个数字result1 = pattern.findall('hello 123456 789')result2 = pattern.findall('one1two2three3', 0, 10)print(result1)print(result2)
结果:
C:\Users\Lin\Desktop>python3 test.py['123456', '789']['1', '2']
6、finditer
finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。
import repattern = re.compile(r'\d+')result_iter1 = pattern.finditer('hello 123456 789')result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)print(type(result_iter1))print(type(result_iter2))print('result1...')for m1 in result_iter1: # m1 是 Match 对象 print('matching string: {}, position: {}'.format(m1.group(), m1.span()))print('result2...')for m2 in result_iter2: print('matching string: {}, position: {}'.format(m2.group(), m2.span()))
结果:
C:\Users\Lin\Desktop>python3 test.py<class 'callable_iterator'><class 'callable_iterator'>result1...matching string: 123456, position: (6, 12)matching string: 789, position: (13, 16)result2...matching string: 1, position: (3, 4)matching string: 2, position: (7, 8)
7、split方法
split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用于指定最大分割次数,不指定将全部分割。
import rep = re.compile(r'[\s\,\;]+') #\s表示空白字符,该正则匹配空白字符,逗号,分号print(p.split('a,b;; c d'))
结果:
C:\Users\Lin\Desktop>python3 test.py['a', 'b', 'c', 'd']
8、sub方法
sub 方法用于替换。它的使用形式如下:
sub(repl, string[, count])
其中,repl 可以是字符串也可以是一个函数:
如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;
如果 repl 是函数,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。
import rep = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]s = 'hello 123, hello 456'print(p.sub(r'hello word', s)) # 使用 hello world 替换 hello 123 和 hello 456print(p.sub(r'\2 \1', s)) # 引用分组def func(m): print(m) return 'hi' + ' ' + m.group(2)print(p.sub(func, s))print(p.sub(func, s, 1))
结果:
C:\Users\Lin\Desktop>python3 test.pyhello word, hello word123 hello, 456 hello<_sre.SRE_Match object; span=(0, 9), match='hello 123'><_sre.SRE_Match object; span=(11, 20), match='hello 456'>hi 123, hi 456<_sre.SRE_Match object; span=(0, 9), match='hello 123'>hi 123, hello 456
9、匹配中文
在某些情况下,我们想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围 主要在 [u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。
假设现在想把字符串 title = u'你好,hello,世界' 中的中文提取出来,可以这么做:
import retitle = '你好,hello,世界'pattern = re.compile(r'[\u4e00-\u9fa5]+')result = pattern.findall(title)print(result)
结果:
C:\Users\Lin\Desktop>python3 test.py['你好', '世界']
10、贪婪模式与非贪婪模式
贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配(*);
非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配(?);
python里数量词默认是贪婪的。
示例一:源字符串:abbbc
① 使用贪婪的数量词的政策表达式 ab*,匹配结果:abbb
*决定了尽可能多匹配 b,所以 a 后面所有的 b 都出现了。
② 使用非贪婪的数量词的正则表达式 ab*?,匹配结果:a
即使前面有 * ,但是 ? 决定了尽可能地少匹配 b ,所以没有 b。
示例二:源字符串:aa
① 使用贪婪地数量词的正则表达式:
匹配结果:
这里采用的是贪婪模式。在匹配到第一个"
② 使用非贪婪匹配数量词的正则表达式:
匹配结果:
正则表达式二采用的是非贪婪模式,在匹配到第一个"