您的位置：首页 > 编程语言 > Python开发

Python正则表达式－2

2015-07-08 13:37 766 查看

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。

尊重作者的劳动，转载请注明作者及原文地址 >.<html

最短匹

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"。

Jeffrey: 我加一点自己做项目过程中遇到的这种匹配方式的理解：

最短匹配：.*? http://deerchao.net/tutorials/regex/regex.htm
假如，我们有以下的代码存放在Test_1.xml中（注意：这里不仅限于xml文件，同样的也适应于其它的任何的文件）：我们的

要匹配到原文件中的下列内容
<pre name="code" class="html"><span style="color:#FF0000;"><Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000">
<CapacityParms>
<Category>RESIDENTIALSUBSCRIBER_R2</Category>
<FeatureSetName>R1 FEATURE SET</FeatureSetName>
<OfficeId>ylvJrPbcGgHE</OfficeId>
<CurrentCnt>0</CurrentCnt>
<LimitCnt>0000050</LimitCnt>
<SpareCapacity>0</SpareCapacity>
<TasUnequalDistribution>0</TasUnequalDistribution>
</CapacityParms>
</Response></span>

源文件：

<Request Action="LOGIN" RequestId="100000"><Authentication><ClientName>Administrator</ClientName><Password>5420!Cts</Password></Authentication></Request><?xml version="1.0" encoding="UTF-8"?><Response Status="OKAY" RequestId="100000"><Authentication MajorVersion="28"
MinorVersion="0"><ClientName>Administrator</ClientName><Role>ADMINISTRATOR</Role></Authentication></Response><Request Action="UPDATE" RequestId="100000"><CapacityLimit><Category>RESIDENTIALSUBSCRIBER_R2</Category><LockKey>17ylvJrPbcGgHEUPF001n//k/v/n//Xu0P//AAb3rb8H=0000050010</LockKey><SignKey>QDA9s+3HukQn3DyX15otQNaOvEQaEU5skCx0JDPQHJ77/jwYQl0uLQUYlKHZWmwKIhGCGWIuz8nADDtXlJK9VA==</SignKey></CapacityLimit></Request><?xml
version="1.0" encoding="UTF-8"?><span style="color:#FF0000;"><Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000"> <CapacityParms><Category>RESIDENTIALSUBSCRIBER_R2</Category><FeatureSetName>R1
FEATURE SET</FeatureSetName><OfficeId>ylvJrPbcGgHE</OfficeId><CurrentCnt>0</CurrentCnt><LimitCnt>0000050</LimitCnt><SpareCapacity>0</SpareCapacity><TasUnequalDistribution>0</TasUnequalDistribution> </CapacityParms></Response></span><Request Action="LOGOFF"
RequestId="tll-logoff"><Authentication><ClientName>Administrator</ClientName></Authentication></Request><?xml version="1.0" encoding="UTF-8"?><Response Status="OKAY" RequestId="tll-logoff"><Authentication><ClientName>Administrator</ClientName></Authentication></Response>

这个是我的re_test.py代码文件，这个文件中到了两种匹配方式，当然，只有def re_testsearch()才可以满足我们的要求，因为它是实现的是段落匹配（因为这个里面用了
re.S）

#-*- coding:utf-8 -*-
#最上一句如果不加上的话不能输入汉字，不然编译不过
#/usr/bin/python

import os
import sys
import re

####################################################
# 	一行一行的匹配
#	比如Test_2.xml中的内容如下：
#	<Response Staus="OKAY" CongLvl="jeffrey">
#		<a>test1</a>
#		<b>test2</b>
#	</Response>
#	<Response Staus="OKAY" CongLvl="guan">
#		<a>test1</a>
#		<b>test2</b>
#	</Response>
#	<Response Staus="OKAY" CongLvl="zenghui">
#		<a>test1</a>
#		<b>test2</b>
#	</Response>
#	<Response Staus="OKAY" CongLvl="jeguan">
#		<a>test1</a>
#		<b>test2</b>
#	</Response>
#	那么匹配后的得到结果为
#	<Response Staus="OKAY" CongLvl="jeffrey">
#	<Response Staus="OKAY" CongLvl="guan">
#	<Response Staus="OKAY" CongLvl="zenghui">
#	<Response Staus="OKAY" CongLvl="jeguan">
#
####################################################
def re_test():

# 原文件
filename = r'C:\Users\jeguan\Desktop\Test_2.xml'
# 匹配得到的内容存储在Test_2_bk.xml中
new_file = r'C:\Users\jeguan\Desktop\Test_2_bk.xml'

# 打开原文件
open_file = open(filename, 'r')
read_file = open_file.readlines()
# 打开目标文件，即：存放匹配结果的文件
newfile = open(new_file, 'wb')

# 匹配以<Response开头并且有CongLvl字符串的行,注意，
# 这里是非lazzy匹配,并且是一行一行匹配，即，遇到
# '\n'就会结束
patt =  re.compile(r'^<Response.*CongLvl.*')

# 遍历原文件的所有行,如果找到就会存盘
for line in read_file:
match = patt.search(line)
if match:
m = match.group(0)
newfile.write(m)

open_file.close()
newfile.close()

#################################################################################
#	多行匹配，即：可以匹配一个文本中的特定段落。这里主要是要用到re模块中的re.S
#	它表示当用'.'来进行匹配的时候，可以忽略掉'\n'，这一点与'.'正常的规则是不一样的
#
#	另外一个要注意的地方是这里使用了Lazzy匹配的方式。当有多个Response>出现的时候，
#	它只会匹配第一次出现的地方。比如：
#	<Response Staus="OKAY" CongLvl="jeguan">
#		<a>test1</a>
#		<b>test2</b>
#	</Response>
#	<Response Staus="OKAY" CongLvl="zenghuiguan">
#		<a>test3</a>
#		<b>test4</b>
#	</Response>
#	当用lazzy方式的时候，只会匹配到第一次出现Response>的地方
#	本文中匹配得到的结果为：
#	<Response Staus="OKAY" CongLvl="jeguan">
#		<a>test1</a>
#		<b>test2</b>
#	</Response>
#
################################################################################
def re_testsearch():
#
filename = r'C:\Users\jeguan\Desktop\Test_2.xml'
new_file = r'C:\Users\jeguan\Desktop\Test_2_bk.xml'

open_file = open(filename, 'r')
read_file = open_file.readlines()
newfile = open(new_file, 'wb')

# re.S means: Make the '.' special character match any character at all,
# including a newline; without this flag, '.' will match anything except a newline.
# '(.+?)' means: this is a greedy match. When the fist 'Response>' is found, then
# it will not try to match the next 'Response>'
<span style="color:#CC0000;">patt = re.compile(r'<Response Status="OKAY" CongLvl="LEVEL0"*(.+?)Response>', <strong>re.S</strong>)</span>

str1 = ""
# 把读出的行放在str1中
for line in read_file:
str1 = str1 + line

match1 = patt.search(str1)
newfile.write(match1.group(0))

print(match1.group())

if __name__ == "__main__":
re_testsearch()

我们用re_testsearch()这个函数来匹配最终的结果如下所示，得到了我们的要求：

<Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100
<CapacityParms>
<Category>RESIDENTIALSUBSCRIBER_R2</Category>
<FeatureSetName>R1 FEATURE SET</FeatureSetName>
<OfficeId>ylvJrPbcGgHE</OfficeId>
<CurrentCnt>0</CurrentCnt>
<LimitCnt>0000050</LimitCnt>
<SpareCapacity>0</SpareCapacity>
<TasUnequalDistribution>0</TasUnequalDistribution>
</CapacityParms>
</Response>

但是，如果我们使用re_test()来试图匹配的话，不会得到上面的这个结果，相反，只会找到

<Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000">

上面的代码可以在我的github上找到：https://github.com/double12gzh/PythonLearning

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]：

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。
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。

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。

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。

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。

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。

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，^_^

全文结束

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签：

相关文章推荐

新的分享

章节导航