Python中的re模块和正则表达式

re 模块是 python 标准库的一部分，它对正则表达式（regular expression）提供了支持。本文部分内容参考自《Beginning Python From Novice to Professional Second Edition》和 python 官方文档（https://docs.python.org/3/）

在测试前请导入 re 模块：

import re

re模块中的一些重要的函数

函数	描述
split(pattern, string[, flags])	根据模式的匹配项来分割字符串
findall(pattern, string)	列出字符串中模式的所有匹配项
sub(pat, repl, string[, count=0])	将字符串中所有pat的匹配项用repl替换
escape(string)	将字符串中的所有特殊正则表达式字符转义
match(pattern, string[, flags])	在字符串的开始处匹配模式

下面分别举例说明：

split(pattern, string[, flags])

函数 split() 会根据模式的匹配项来分割字符串。第一个参数是要匹配的模式，第二个参数是目标字符串，第三个参数是可选标志，例如用逗号或空格以及他们的组合来分割字符串，加号表示允许重复一次或者多次，方括号中的逗号和空格表示字符集：

>>> s = 'very, good,,,,,I ,love you'
>>> re.split('[, ]+', s)
['very', 'good', 'I', 'love', 'you']

该函数的 maxsplit 可选标志表示字符串最多可以被分割几次（注意结果列表中黑色逗号的个数）：

>>> s = 'very, good,,,,,I ,love you'
>>> re.split('[, ]+', s, maxsplit = 3)
['very', 'good', 'I', 'love you']

>>> re.split('[, ]+', s, maxsplit = 2)
['very', 'good', 'I ,love you']

>>> re.split('[, ]+', s, maxsplit = 1)
['very', 'good,,,,,I ,love you']

findall(pattern, string)

函数 findall() 会以列表的形式返回给定模式的所有匹配项。比如要在字符串中查找所有的单词：

>>> pat = '[a-zA-Z]+'
>>> s = '"Oh, I think you should do it. Will you?" she said, sounding nervously'
>>> re.findall(pat, s)
['Oh', 'I', 'think', 'you', 'should', 'do', 'it', 'Will', 'you', 'she', 'said', 'sounding', 'vervously']

或者你也可以查找标点符号：

>>> pat = '[.?",]+'
>>> re.findall(pat, s)
['"', ',', '.', '?"', ',']

如上所示，找到了：双引号，逗号，句号，问号和双引号的组合，逗号

sub(pat, repl, string[, count=0])

函数 sub() 会将字符串 string 中的所有 pat 替换位 repl。

例如批量替换：

>>> s = 'I was wrong. I fell very sorry! I want to apologize'
>>> pat = 'I'
>>> re.sub(pat, 'you', s)
'you was wrong. you fell very sorry! you want to apologize'

escape(string)

函数 escape() 会将字符串 string 中的所有特殊正则表达式字符转义。它可以对字符串中所有可能被解释为正则运算符的字符进行转义。如果字符串很长且包含很多特殊字符，而你又不想输入一大堆反斜杠，又或者字符串是由用户输入的，并且会被用于正则表达式的一部分的时候，可以使用这个函数。

例如（这个例子来自于《python基础教程 第2版 修订版》）：

>>> re.escape('www.python.org')
'www\\.python\\.org'
>>> re.escape('But where is the ambiguity?')
'But\\ where\\ is\\ the\\ ambiguity\\?'

match(pattern, string[, flags])

函数 match() 可以在字符串的开始处进行匹配，会返回一个匹配对象（其实内容即是一个匹配的字符串）。

不过我们先来看看匹配对象和组，对于 re 模块中的那些能够对字符串进行模式匹配的函数而言，当能够找到匹配项的时候，它们都会返回 MatchObject 对象。这些对象包括匹配模式的子字符串的信息。它们还包含了“哪个模式匹配子字符串哪部分的信息”——这些“部分”叫做组(group)。

简而言之，组就是放置在圆括号内的子模式。组的序号取决于它左侧的括号数。组0就是整个模式，例如下面这个模式中：

'There (was a (wee) (cooper)) who (lived in Fyfe)'

包含下面这些组：

组0： There was a wee cooper who lived in Fyfe

组1： was a wee cooper

组2： wee

组3： cooper

组4： lived in Fyfe

假如我们对以 .com 结尾的域名比较感兴趣，那么下面的模式正好满足我们的要求（模式前面加上小写字母r表示防止转义，例如 (\.)会转义为通配符(.)，则在模式中要表示一般的符号(.)，则必须用两个反斜杠(\\.)）：

r'www\.(.+)\.com$'

我们通过上面的模式匹配得到一个匹配对象，就可以调用匹配对象的如下几个方法来获得我们想要的内容：

方法	描述
group([group1,…])	获取给定子模式（组）的匹配项
start([group])	返回给定组的匹配项的开始位置，无参数时返回0，即整个模式
end([group])	返回给定组的匹配项的结束位置（结束位置是匹配项最后一个字符的下一个位置），无参数时返回整个模式最后一个字符的索引加1
span([group])	返回一个组的开始位置和结束位置，无参数时返回一个整个模式的开始位置和结束位置

例如下面的例子：

>>> pat = r'www\.(.*)\..{3}'
>>> s = 'www.python.org'

>>> re.match(pat, s)
<_sre.SRE_Match object; span=(0, 14), match='www.python.org'> # 此处返回了一个对象

>>> m = re.match(pat, s)
>>> m.group(1)
'python'
>>> m.start(1)
4
>>> m.end(1)
10
>>> m.span(1)
(4, 10)

还有一个例子，假如我们想把 ‘*Somthing*’ 用 ‘<em>somthing</em>’ 替换掉。前者是普通文本，而后者是 html 代码。首先应该建立正则表达式：

>>> em_pat = r'\*([^\*]+)\*'

现在我们就可以用函数 re.sub() 进行替换了，sub() 函数有一个强大的功能就是如果在替换内容中出现 ‘\\n’ (或者 r’\n’ )形式的转义序列，那么该转义序列会被匹配到的字符串中组 n 的内容替换掉：

>>> s = 'hello, *world*!'
>>> repl = r'<em>\1</em>'
>>> re.sub(em_pat, repl, s)
'hello, <em>world</em>!'