Python 正则表达式指南

本文转载

作者：AstralWind

链接：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

本文介绍了Python对于正则表达式的支持，包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例。本文的内容不包括如何编写高效的正则表达式、如何优化正则表达式，这些主题请查看其他教程。

注意：本文基于Python2.4完成；如果看到不明白的词汇请记得百度谷歌或维基，whatever。

1. 正则表达式基础

1.1. 简单介绍

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，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，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

下图展示了使用正则表达式进行匹配的流程：



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，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。

下图列出了Python支持的正则表达式元字符和语法：

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式”ab*”如果用于查找”abbbc”，将找到”abbb”。而如果使用非贪婪的数量词”ab*?”，将找到”a”。

1.3. 反斜杠的困扰

与大多数编程语言相同，正则表达式里使用”\”作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”\”，那么使用编程语言表示的正则表达式里将需要4个反斜杠”\\\\”：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r”\\”表示。同样，匹配一个数字的”\\d”可以写成r”\d”。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

1.4. 匹配模式

正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。

2. re模块

2.1. 开始使用re

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

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。 第二个参数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(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
M(MULTILINE): 多行模式，改变’^'和’$'的行为（参见上图）
S(DOTALL): 点任意匹配模式，改变’.'的行为
L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
U(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
X(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，并可以加入注释。以下两个正则表达式是等价的：

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

2.2. 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: 匹配时使用的文本。
re: 匹配时使用的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<id>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。

2.3. 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。

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。

实例方法[ | re模块方法]：

1.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’$'。

示例参见2.1小节。

2.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。

3.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。

4.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。

5.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 。

6.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。

7.subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):

返回 (sub(repl, string[, count]), 替换次数)。

以上就是Python对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^

另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下，如何匹配不是以abc开头的单词，^_^

本文转载
链接：http://www.yiibai.com/python/python_reg_expressions.html

正则表达式是字符一个特殊的序列，可帮助匹配或者寻找其他的字符串或一组字符串，用一个模式支持一个专门的语法。正则表达式被广泛应用于UNIX世界中。

模块re在Python提供类似Perl的正则表达式全面支持。 re模块引发异常re.error如果在编译或使用正则表达式时发生错误。

我们将涉及两个重要的功能，这将被用于处理的正则表达式。但是首先：有各种各样的字符，当它们在正则表达式中使用，将有特殊的意义。为了避免在处理正则表达式的任何困惑，将使用原始字符串作为r'expression“。

match函数

此函数会尝试重新模式匹配字符串可选标志。

下面是此函数的语法：

re.match(pattern, sring, flags=0)

这里的参数的说明：

参数	描述
pattern	这是正则表达式来进行匹配。
string	这是字符串，这将被搜索匹配的模式，在字符串的开头。
flags	可以指定使用位的不同的标志OR (|)。这些改性剂，其列于下表中。

re.match函数返回成功，失败匹配对象则返回None。我们会group(num) orgroups()函数匹配对象来获得匹配的表达式。

匹配对象的方法	描述
group(num=0)	此方法返回整个匹配（或指定分组num）
groups()	此方法返回所有元组匹配的子组（空，如果没有）

例子：

#!/usr/bin/python
import re

line = "Cats are smrter than dogs"

matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)

if matchObj:
print "matchObj.group() : ", matchObj.group()
print "matchObj.group(1) : ", matchObj.group(1)
print "matchObj.group(2) : ", matchObj.group(2)
else:
print "No match!!"

当执行上面的代码，它产生以下结果：

matchObj.group() :  Cats are smarter than dogs
matchObj.group(1) :  Cats
matchObj.group(2) :  smarter

search函数

此函数将搜索字符串中使用可选的标志第一次出现的RE模式。

下面是此函数语法：

re.search(pattern, string, flags=0)

这里的参数说明：

参数	描述
pattern	这是正则表达式来进行匹配。
string	这是字符串，这将被搜索到的字符串中的任何位置匹配的模式。
flags	可以指定使用位的不同的标志OR (|)。这些改性剂，其列于下表中。

re.search函数返回成功，没有失败的匹配对象。我们会用group(num) 或groups() 函数来获得匹配的表达式。

匹配对象的方法	描述
group(num=0)	此方法返回整个匹配（或指定分组num）
groups()	此方法返回所有元组匹配的子组（空，如果没有）

例子：

#!/usr/bin/python
import re

line = "Cats are smrter than dogs";

searchObj = re.search( r'(.*) are (.*?) .*', line, re.M|re.I)

if searchObj:
print "searchObj.group() : ", searchObj.group()
print "searchObj.group(1) : ", searchObj.group(1)
print "searchObj.group(2) : ", searchObj.group(2)
else:
print "Nothing found!!"

当执行上面的代码，它产生以下结果：

matchObj.group() :  Cats are smarter than dogs
matchObj.group(1) :  Cats
matchObj.group(2) :  smarter

匹配VS搜索：

python提供基于正则表达式两种不同的基本操作：只在字符串的开头匹配检查的匹配，而对于一个匹配字符串中的任何位置搜索检查（这是Perl并在默认情况下）。

例子：

#!/usr/bin/python
import re

line = "Cats are smrter than dogs";

matchObj = re.match( r'dogs', line, re.M|re.I)
if matchObj:
print "match --> matchObj.group() : ", matchObj.group()
else:
print "No match!!"

searchObj = re.search( r'dogs', line, re.M|re.I)
if searchObj:
print "search --> searchObj.group() : ", searchObj.group()
else:
print "Nothing found!!"

当执行上面的代码，产生以下结果：

No match!!
search --> matchObj.group() :  dogs

搜索和替换：

一些最重要的re方法，使用正则表达式sub。

语法

re.sub(pattern, rep, string, max=0)

这种方法取代了RE模式字符串中使用的Perl所有匹配，替换所有出现如果提供最大匹配。这个方法将返回修改后的字符串。

例子

下面是一个例子：

#!/usr/bin/python
import re

phone = "2004-959-559 # This is Phone Number"

# Delete Python-style comments
num = re.sub(r'#.*$', "", phone)
print "Phone Num : ", num

# Remove anything other than digits
num = re.sub(r'\D', "", phone)
print "Phone Num : ", num

当执行上面的代码，产生以下结果：

Phone Num :  2004-959-559
Phone Num :  2004959559

正则表达式修饰符 - 选项标志

正则表达式字面可以包含一个可选的修饰符来控制匹配的各个方面。修饰符被指定为一个可选的标志。可以使用异或提供多个修饰符（|），如先前所示，并且可以由这些中的一个来表示：

修辞符	描述
re.I	执行不区分大小写的匹配。
re.L	根据当前的语言环境解释词组。这种解释影响字母组（\w和\W），以及单词边界的行为（\b和\B）
re.M	使$匹配一行（串的不只是端部）的尾部，使^匹配的行（串不只是开始）的开始
re.S	使一个句号（点）匹配任何字符，包括换行符
re.U	根据Unicode字符集解释的字母。这个标志会影响\w, \W, \b, \B的行为。
re.X	许可证“cuter”正则表达式语法。它忽略空格（除了一组[]或当用一个反斜杠转义内），并把转义＃作为注释标记

正则表达式模式：

除了控制字符(+ ? . * ^ $ ( ) [ ] { } | \)，所有字符匹配自己。可以通过用反斜杠前就转义控制字符。

下表列出了Python中可用正则表达式语法：

模式	描述
^	匹配的开始的
$	匹配行尾
.	匹配除换行符的任何单个字符。使用-m选项允许其匹配换行符也是如此。
[...]	匹配括号内任何单个字符
[^...]	匹配任何单个字符不在括号中
re*	匹配0个或多个匹配前面表达式。
re+	匹配1个或多个先前出现的表达式。
re?	匹配0或1前面出现的表达式。
re{ n}	精确匹配n个前面表达式的数量。
re{ n,}	匹配n或多次出现上述表达式。
re{ n, m}	匹配至少n次和前面表达式的大多数出现m次。
a| b	匹配a或b。
(re)	组正则表达式并记住匹配的文本。
(?imx)	暂时切换上 i, m 或 x正则表达式的选项。如果括号中，仅该区域受到影响。
(?-imx)	暂时关闭切换 i, m, 或 x 正则表达式的选项。如果括号中，仅该区域受到影响。
(?: re)	组正则表达式而不匹配的记住文字。
(?imx: re)	暂时切换上i, m, 或 x 括号内的选项。
(?-imx: re)	暂时关闭切换i, m, 或 x 括号内的选项。
(?#...)	注释
(?= re)	指定使用的模式位置，没有一个范围。
(?! re)	指定使用模式取反位置，没有一个范围。
(?> re)	匹配独立的模式而不反向追踪。
\w	匹配单词字符。
\W	匹配非单词字符
\s	匹配的空白，等价于[\ t\ñ\ r\ F]
\S	匹配非空白
\d	匹配的数字。等价于[0-9]
\D	匹配非数字
\A	匹配字符串的开始
\Z	匹配字符串的结尾。如果一个换行符的存在，它只是换行之前匹配
\z	匹配字符串的结尾
\G	匹配点，最后一次匹配结束
\b	匹配单词边界之外时，括号内。匹配退格键（0×08），括号里面的时候
\B	匹配非单词边界
\n, \t, etc.	匹配换行符，回车符，制表符等
\1...\9	匹配第n个分组的子表达式。
\10	匹配，如果它已经匹配第n个分组的子表达式。否则指的是一个字符码的八进制表示。

正则表达式的例子

文字字符：

示例	描述
python	匹配 "python".

字符类：

示例	描述
[Pp]ython	匹配 "Python" 或 "python"
rub[ye]	匹配 "ruby" 或 "rube"
[aeiou]	匹配任何一个小写元音
[0-9]	匹配任何数字;如果[0123456789]
[a-z]	匹配任何小写ASCII的字母
[A-Z]	匹配任何大写的ASCII字母
[a-zA-Z0-9]	匹配任何上述的
[^aeiou]	匹配任何不是小写元音
[^0-9]	匹配任何非数字

特殊字符类：

示例	描述
.	匹配除换行符外的任何字符
\d	匹配一个数字：[0-9]
\D	匹配一个非数字：[^0-9]
\s	匹配一个空白字符：[\ t\ r\ñ\ F]
\S	匹配非空白：[^\ t\ r\ñ\ F]
\w	匹配一个单词字符：[A-ZA-Z0-9 _]
\W	匹配非单词字符：[^ A-ZA-Z0-9 _]

重复案例：

示例	描述
ruby?	匹配“rub”或“ruby”：y是可选的
ruby*	匹配“rub”加上0个或多个ys
ruby+	匹配“rub”加上1个或多个ys
\d{3}	完全匹配3个数字
\d{3,}	完全匹配3个及以上的数字
\d{3,5}	匹配3，4或5个数字

非贪婪的重复：

匹配最小重复次数：

示例	描述
<.*>	贪婪的重复：匹配“<python>perl>”
<.*?>	非贪婪：匹配“<python>”，在“<python>perl>”

分组使用括号：

示例	描述
\D\d+	不分组：+重复\d
(\D\d)+	分组：+重复\D\d对
([Pp]ython(, )?)+	匹配“Python”，“Python, python, python”等。

反向引用：

再次匹配​​先前匹配的组：

示例	描述
([Pp])ython&\1ails	匹配python&pails或Python&Pails
(['"])[^\1]*\1	单或双引号字符串。 \1匹配第一组匹配。 \2匹配第二组匹配等等。

替代方案：

示例	描述
python|perl	匹配"python" 或 "perl"
rub(y|le))	匹配 "ruby" 或 "ruble"
Python(!+|\?)	“Python”后跟一个或多个！或者一个？

锚点：

需要指定匹配位置

示例	描述
^Python	匹配“Python”在一个字符串或内部行的开始
Python$	匹配“巨蟒”的字符串或行尾
\APython	匹配“Python”在字符串的开始
Python\Z	匹配“Python”在字符串的结尾
\bPython\b	匹配“Python”在字边界
\brub\B	\B非单词的边界：匹配“rub”，“rube”和“ruby”，但并不单独
Python(?=!)	匹配“Python”，如果后面的感叹号
Python(?!!)	匹配“Python”，如果后面不是感叹号

特殊的语法用圆括号：

示例	描述
R(?#comment)	符合“R”。其余全是注释
R(?i)uby	当匹配“uby”时，不区分大小写
R(?i:uby)	与上述相同
rub(?:y|le))	只有组，而无需创建\1反向引用

标签：Python 正则 正则表达式

本站文章除注明转载外，均为本站原创或编译

欢迎任何形式的转载，但请务必注明出处，尊重他人劳动共创优秀实例教程

转载请注明：文章转载自：易百教程 [http:/www.yiibai.com]

本文标题：Python正则表达式

本文地址：http://www.yiibai.com/python/python_reg_expressions.html