转 Python中的正则表达式

以下内容转自CNBLOG：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

正则表达式基础

概念

正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。
其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。
它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。
流程：

正则表达式的大致匹配过程是：
- 依次拿出表达式和文本中的字符比较，
- 如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。
- 如果表达式中有量词或边界，这个过程会稍微有一些不同。

Python支持的正则表达式元字符和语法：

贪婪模式和非贪婪模式

贪婪模式：尝试匹配尽可能多的字符（默认）
非贪婪模式：尝试匹配尽可能少的字符

反斜杠问题

在Python中，使用原生字符串可以很好地解决这一问题——r’\’

re模块

Python通过re模块提供对正则表达式的支持。
一般步骤：
Step1：将正则表达式字符串编译成Pattern实例
Step2：使用Pattern实例处理文本并获得匹配结果（一个Match实例）
Step3：使用Match实例获得信息，进行其他操作

# -*- coding: utf-8 -*-  
#一个简单的re实例，匹配字符串中的hello字符串  

#导入re模块  
import re  

# 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”  
pattern = re.compile(r'hello')  

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None  
match1 = pattern.match('hello world!')  
match2 = pattern.match('helloo world!')  
match3 = pattern.match('helllo world!')  

#如果match1匹配成功  
if match1:  
    # 使用Match获得分组信息  
    print match1.group()  
else:  
    print 'match1匹配失败！'  


#如果match2匹配成功  
if match2:  
    # 使用Match获得分组信息  
    print match2.group()  
else:  
    print 'match2匹配失败！'  


#如果match3匹配成功  
if match3:  
    # 使用Match获得分组信息  
    print match3.group()  
else:  
    print 'match3匹配失败！'  

Compile

re.compile(strPattern[, flag])
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。
flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如re.I | re.M。
另外，你也可以在regex字符串中指定模式，
比如re.compile(‘pattern’, re.I | re.M)与re.compile(‘(?im)pattern’)是等价的。
可选值有：
- re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
- re.M(全拼：MULTILINE): 多行模式，改变’^’和’$’的行为（参见上图）
- re.S(全拼：DOTALL): 点任意匹配模式，改变’.’的行为
- re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
- re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
- re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可加入注释。
a与b等价

a = re.compile(r"""\d +  # the integral part 
                   \.    # the decimal point 
                   \d *  # some fractional digits""", re.X)  

b = re.compile(r"\d+\.\d*") 

Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
属性：
- string: 要进行匹配的文本。
- re: 匹配使用的Pattern对象。
- pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
- lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

• group([group1, …])：
  获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
• groups([default])：
  以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
• groupdict([default])：
  返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
• start([group])：
  返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
• end([group])：
  返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
• span([group])：
  返回(start(group), end(group))。
• expand(template)：
  将匹配到的分组代入template中然后返回。template中可以使用\id或\g< id>、\g< name>引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符’0’，只能使用\g<1>0。

# -*- coding: utf-8 -*-  
#一个简单的match实例  

import re  
# 匹配如下内容：单词+空格+单词+任意字符  
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')  

print "m.string:", m.string  
print "m.re:", m.re  
print "m.pos:", m.pos  
print "m.endpos:", m.endpos  
print "m.lastindex:", m.lastindex  
print "m.lastgroup:", m.lastgroup  

print "m.group():", m.group()  
print "m.group(1,2):", m.group(1, 2)  
print "m.groups():", m.groups()  
print "m.groupdict():", m.groupdict()  
print "m.start(2):", m.start(2)  
print "m.end(2):", m.end(2)  
print "m.span(2):", m.span(2)  
print r"m.expand(r'\g<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')  

### output ###  
# m.string: hello world!  
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>  
# m.pos: 0  
# m.endpos: 12  
# m.lastindex: 3  
# m.lastgroup: sign  
# m.group(1,2): ('hello', 'world')  
# m.groups(): ('hello', 'world', '!')  
# m.groupdict(): {'sign': '!'}  
# m.start(2): 6  
# m.end(2): 11  
# m.span(2): (6, 11)  
# m.expand(r'\2 \1\3'): world hello!  

Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造，也就是re.compile()返回的对象。
Pattern提供了几个可读属性用于获取表达式的相关信息：

• pattern: 编译时用的表达式字符串。
• flags: 编译时用的匹配模式。数字形式。
• groups: 表达式中分组的数量。
• groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

# -*- coding: utf-8 -*-  
#一个简单的pattern实例  

import re  
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)  

print "p.pattern:", p.pattern  
print "p.flags:", p.flags  
print "p.groups:", p.groups  
print "p.groupindex:", p.groupindex  

### output ###  
# p.pattern: (\w+) (\w+)(?P<sign>.*)  
# p.flags: 16  
# p.groups: 3  
# p.groupindex: {'sign': 3}  

Pattern的method

match

match(string[, pos[, endpos]])
re.match(pattern, string[, flags])：
这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
注意：这个方法并不是完全匹配。
当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符’$’。

search

search(string[, pos[, endpos]])
re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。
从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；
若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

match()只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回none*
例如：
print(re.match(‘super’, ‘superstition’).span())
会返回(0, 5)
print(re.match(‘super’, ‘insuperable’))
则返回None

search()会扫描整个字符串并返回第一个成功的匹配
例如：
print(re.search(‘super’, ‘superstition’).span())
返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())
返回(2, 7)

split

split(string[, maxsplit])
re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。
maxsplit用于指定最大分割次数，不指定将全部分割。

import re  

p = re.compile(r'\d+')  
print p.split('one1two2three3four4')  

### output ###  
# ['one', 'two', 'three', 'four', '']  

findall

findall(string[, pos[, endpos]])
re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。

import re  

p = re.compile(r'\d+')  
print p.findall('one1two2three3four4')  

### output ###  
# ['1', '2', '3', '4']  

finditer

finditer(string[, pos[, endpos]])
re.finditer(pattern, string[, flags]):
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

import re  

p = re.compile(r'\d+')  
for m in p.finditer('one1two2three3four4'):  
    print m.group(),  

### output ###  
# 1 2 3 4  

sub

sub(repl, string[, count])
re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g< id>、\g< name>引用分组，但不能使用编号0。
当repl是一个方法时，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 re  

p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  

print p.sub(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.sub(func, s)  

### output ###  
# say i, world hello!  
# I Say, Hello World!  

subn

subn(repl, string[, count])
re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。

import re  

p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  

print p.subn(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.subn(func, s)  

### output ###  
# ('say i, world hello!', 2)  
# ('I Say, Hello World!', 2)