python re模块

方海龙的书馆 2014-12-10

展开全文

[python] view plain copy

正则表达式(可以称为REs，regex，regex pattens)是一个小巧的，高度专业化的编程语言，它内嵌于python开发语言中，可通过re模块使用。正则表达式的
pattern可以被编译成一系列的字节码，然后用C编写的引擎执行。下面简单介绍下正则表达式的语法
正则表达式包含一个元字符(metacharacter)的列表，列表值如下: . ^ $ * + ? { [ ] \ | ( )
　 1.元字符([ ]),它用来指定一个character class。所谓character classes就是你想要匹配的字符(character)的集合.字符(character)可以单个的列出，也可以通过"-"来分隔两个字符来表示一个范围。例如，[abc]匹配a，b或者c当中任意一个字符，[abc]也可以用字符区间来表示---[a-c].如果想要匹配单个大写字母，你可以用[A-Z]。
元字符(metacharacters)在character class里面不起作用，如[akm$]将匹配"a","k","m","$"中的任意一个字符。在这里元字符(metacharacter)"$"就是一个普通字符。
2.元字符[^]. 你可以用补集来匹配不在区间范围内的字符。其做法是把"^"作为类别的首个字符；其它地方的"^"只会简单匹配 "^"字符本身。例如，[^5] 将匹配除 "5" 之外的任意字符。同时，在[ ]外，元字符^表示匹配字符串的开始，如"^ab+"表示以ab开头的字符串。
举例验证，
>>> m=re.search("^ab+","asdfabbbb")
　 >>> print m
None
>>> m=re.search("ab+","asdfabbbb")
>>> print m
<_sre.SRE_Match object at 0x011B1988>
>>> print m.group()
abbbb
上例不能用re.match,因为match匹配字符串的开始，我们无法验证元字符"^"是否代表字符串的开始位置。
>>> m=re.match("^ab+","asdfabbbb")
>>> print m
None
>>> m=re.match("ab+","asdfabbbb")
>>> print m
None
#验证在元字符[]中，"^"在不同位置所代表的意义。
　>>> re.search("[^abc]","abcd") #"^"在首字符表示取反，即abc之外的任意字符。
　<_sre.SRE_Match object at 0x011B19F8>
　>>> m=re.search("[^abc]","abcd")
　>>> m.group()
　'd'
　>>> m=re.search("[abc^]","^") #如果"^"在[ ]中不是首字符，那么那就是一个普通字符
　>>> m.group()
　'^'
不过对于元字符”^”有这么一个疑问.官方文档http://docs./library/re.html有关元字符”^”有这么一句话，Matches the start
of the string, and in MULTILINE mode also matches immediately after each newline.
我理解的是”^”匹配字符串的开始，在MULTILINE模式下，也匹配换行符之后。
　>>> m=re.search("^a\w+","abcdfa\na1b2c3")
>>> m.group()
　'abcdfa'
　>>> m=re.search("^a\w+","abcdfa\na1b2c3",re.MULTILINE)，
　>>> m.group() #
　'abcdfa'
我认为flag设定为re.MULTILINE，根据上面那段话，他也应该匹配换行符之后，所以应该有m.group应该有"a1b2c3",但是结果没有，用findall来尝试，可以找到结果。所以这里我理解之所以group里面没有，是因为search和match方法是匹配到就返回，而不是去匹配所有。
　>>> m=re.findall("^a\w+","abcdfa\na1b2c3",re.MULTILINE)
　>>> m
　['abcdfa', 'a1b2c3']
3. 元字符(\),元字符backslash。做为 Python 中的字符串字母，反斜杠后面可以加不同的字符以表示不同特殊意义。
它也可以用于取消所有的元字符，这样你就可以在模式中匹配它们了。例如，如果你需要匹配字符 "[" 或 "\"，你可以在它们之前用反斜杠来取消它们的特殊意义： \[ 或 \\
4。元字符($)匹配字符串的结尾或者字符串结尾的换行之前。（在MULTILINE模式下，"$"也匹配换行之前）
正则表达式"foo"既匹配"foo"又匹配"foobar",而"foo$"仅仅匹配"foo".
　　
　 >>> re.findall("foo.$","foo1\nfoo2\n")#匹配字符串的结尾的换行符之前。
['foo2']
　 >>> re.findall("foo.$","foo1\nfoo2\n",re.MULTILINE)
['foo1', 'foo2']
　　>>> m=re.search("foo.$","foo1\nfoo2\n")
　　>>> m
　　<_sre.SRE_Match object at 0x00A27170>
　　>>> m.group()
　　'foo2'
　　>>> m=re.search("foo.$","foo1\nfoo2\n",re.MULTILINE)
　　>>> m.group()
　　'foo1'
看来re.MULTILINE对$的影响还是蛮大的。
5.元字符(*),匹配0个或多个
6.元字符(?)，匹配一个或者0个
7.元字符(+), 匹配一个或者多个
8,元字符(|), 表示"或"，如A|B，其中A，B为正则表达式，表示匹配A或者B
9.元字符({})
{m},用来表示前面正则表达式的m次copy，如"a{5}"，表示匹配5个”a”,即"aaaaa"
　>>> re.findall("a{5}","aaaaaaaaaa")
　['aaaaa', 'aaaaa']
　>>> re.findall("a{5}","aaaaaaaaa")
　['aaaaa']
{m.n}用来表示前面正则表达式的m到n次copy,尝试匹配尽可能多的copy。
>>> re.findall("a{2,4}","aaaaaaaa")
　['aaaa', 'aaaa']
通过上面的例子，可以看到{m,n}，正则表达式优先匹配n，而不是m，因为结果不是["aa","aa","aa","aa"]
>>> re.findall("a{2}","aaaaaaaa")
　['aa', 'aa', 'aa', 'aa']
{m,n}? 用来表示前面正则表达式的m到n次copy，尝试匹配尽可能少的copy　　　
　>>> re.findall("a{2,4}?","aaaaaaaa")
　['aa', 'aa', 'aa', 'aa']
10。元字符( "( )" ),用来表示一个group的开始和结束。
比较常用的有(REs),(?P<name>REs),这是无名称的组和有名称的group，有名称的group，可以通过matchObject.group(name)
获取匹配的group，而无名称的group可以通过从1开始的group序号来获取匹配的组，如matchObject.group(1)。具体应用将在下面的group()方法中举例讲解
11．元字符(.)
　元字符“.”在默认模式下，匹配除换行符外的所有字符。在DOTALL模式下，匹配所有字符，包括换行符。
　>>> import re
　>>> re.match(".","\n")
　>>> m=re.match(".","\n")
　>>> print m
　None
　>>> m=re.match(".","\n",re.DOTALL)
　>>> print m
　<_sre.SRE_Match object at 0x00C2CE20>
　>>> m.group()
　'\n'
　下面我们首先来看一下Match Object对象拥有的方法,下面是常用的几个方法的简单介绍
　1.group([group1,…])
　返回匹配到的一个或者多个子组。如果是一个参数，那么结果就是一个字符串，如果是多个参数，那么结果就是一个参数一个item的元组。group1的默认值为0(将返回所有的匹配值).如果groupN参数为0，相对应的返回值就是全部匹配的字符串，如果group1的值是[1…99]范围之内的,那么将匹配对应括号组的字符串。如果组号是负的或者比pattern中定义的组号大，那么将抛出IndexError异常。如果pattern没有匹配到，但是group匹配到了，那么group的值也为None。如果一个pattern可以匹配多个，那么组对应的是样式匹配的最后一个。另外，子组是根据括号从左向右来进行区分的。
　>>> m=re.match("(\w+) (\w+)","abcd efgh, chaj")
　>>> m.group() # 匹配全部
　'abcd efgh'
　>>> m.group(1) # 第一个括号的子组.
　'abcd'
　>>> m.group(2)
　'efgh'
　>>> m.group(1,2) # 多个参数返回一个元组
　('abcd', 'efgh')
　>>> m=re.match("(?P<first_name>\w+) (?P<last_name>\w+)","sam lee")
　>>> m.group("first_name") #使用group获取含有name的子组
　'sam'
　>>> m.group("last_name")
　'lee'
　下面把括号去掉
　>>> m=re.match("\w+ \w+","abcd efgh, chaj")
　>>> m.group()
　'abcd efgh'
　>>> m.group(1)
　Traceback (most recent call last):
File "<pyshell#32>", line 1, in <module>
m.group(1)
　IndexError: no such group
　If a group matches multiple times, only the last match is accessible:
如果一个组匹配多个，那么仅仅返回匹配的最后一个的。
　>>> m=re.match(r"(..)+","a1b2c3")
　>>> m.group(1)
　'c3'
　>>> m.group()
　'a1b2c3'
　Group的默认值为0，返回正则表达式pattern匹配到的字符串
　>>> s="afkak1aafal12345adadsfa"
　>>> pattern=r"(\d)\w+(\d{2})\w"
　>>> m=re.match(pattern,s)
　>>> print m
　None
　>>> m=re.search(pattern,s)
　>>> m
　<_sre.SRE_Match object at 0x00C2FDA0>
　>>> m.group()
　'1aafal12345a'
　>>> m.group(1)
　'1'
　>>> m.group(2)
　'45'
　>>> m.group(1,2,0)
　('1', '45', '1aafal12345a')
　2。groups([default])
　返回一个包含所有子组的元组。Default是用来设置没有匹配到组的默认值的。Default默认是"None”,
　>>> m=re.match("(\d+)\.(\d+)","23.123")
　>>> m.groups()
　('23', '123')
　>>> m=re.match("(\d+)\.?(\d+)?","24") #这里的第二个\d没有匹配到，使用默认值"None"
　>>> m.groups()
　('24', None)
　>>> m.groups("0")
　('24', '0')
　3.groupdict([default])
　返回匹配到的所有命名子组的字典。Key是name值，value是匹配到的值。参数default是没有匹配到的子组的默认值。这里与groups()方法的参数是一样的。默认值为None
　>>> m=re.match("(\w+) (\w+)","hello world")
　>>> m.groupdict()
　{}
　>>> m=re.match("(?P<first>\w+) (?P<secode>\w+)","hello world")
　>>> m.groupdict()
　{'secode': 'world', 'first': 'hello'}
　通过上例可以看出，groupdict()对没有name的子组不起作用
正则表达式对象
　re.search(string[, pos[, endpos]])
　扫描字符串string，查找与正则表达式匹配的位置。如果找到一个匹配就返回一个MatchObject对象(并不会匹配所有的)。如果没有找到那么返回None。
　第二个参数表示从字符串的那个位置开始，默认是0
　第三个参数endpos限定字符串最远被查找到哪里。默认值就是字符串的长度。.
　>>> m=re.search("abcd", '1abcd2abcd')
　>>> m.group() #找到即返回一个match object，然后根据该对象的方法，查找匹配到的结果。
　'abcd'
　>>> m.start()
　1
　>>> m.end()
　5
　>>> re.findall("abcd","1abcd2abcd")
　['abcd', 'abcd']
　re.split(pattern, string[, maxsplit=0, flags=0])
　用pattern来拆分string。如果pattern有含有括号，那么在pattern中所有的组也会返回。
　>>> re.split("\W+","words,words,works",1)
　['words', 'words,works']
　>>> re.split("[a-z]","0A3b9z",re.IGNORECASE)
　['0A3', '9', '']
　>>> re.split("[a-z]+","0A3b9z",re.IGNORECASE)
　['0A3', '9', '']
　>>> re.split("[a-zA-Z]+","0A3b9z")
　['0', '3', '9', '']
　>>> re.split('[a-f]+', '0a3B9', re.IGNORECASE)#re.IGNORECASE用来忽略pattern中的大小写。
　['0', '3B9']
　如果在split的时候捕获了组，并且匹配字符串的开始，那么返回的结果将会以一个空串开始。
　>>> re.split('(\W+)', '...words, words...')
　['', '...', 'words', ', ', 'words', '...', '']
　>>> re.split('(\W+)', 'words, words...')
　['words', ', ', 'words', '...', '']
　re.findall(pattern, string[, flags])
　以list的形式返回string中所有与pattern匹配的不重叠的字符串。String从左向右扫描，匹配的返回结果也是以这个顺序。
　Return all non-overlapping matches of pattern in string, as a list of strings. The string is scanned left-to-right, and matches are returned in the order found. If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result unless they touch the beginning of another match.
　>>> re.findall('(\W+)', 'words, words...')
　[', ', '...']
　>>> re.findall('(\W+)d', 'words, words...d')
　['...']
　>>> re.findall('(\W+)d', '...dwords, words...d')
　['...', '...']
　re.finditer(pattern, string[, flags])
　与findall类似，只不过是返回list，而是返回了一个叠代器
　我们来看一个sub和subn的例子
　>>> re.sub("\d","abc1def2hijk","RE")
　'RE'
　>>> x=re.sub("\d","abc1def2hijk","RE")
　>>> x
　'RE'
　>>> re.sub("\d","RE","abc1def2hijk",)
　'abcREdefREhijk'
　>>> re.subn("\d","RE","abc1def2hijk",)
　('abcREdefREhijk', 2)
　通过例子我们可以看出sub和subn的差别：sub返回替换后的字符串，而subn返回由替换后的字符串以及替换的个数组成的元组。
　re.sub(pattern, repl, string[, count, flags])
用repl替换字符串string中的pattern。如果pattern没有匹配到，那么返回的字符串没有变化]。Repl可以是一个字符串，也可以是一个function。如果是字符串，如果repl是个方法/函数。对于所有的pattern匹配到。他都回调用这个方法/函数。这个函数和方法使用单个match object作为参数，然后返回替换后的字符串。下面是官网提供的例子:
>>> def dashrepl(matchobj):... if matchobj.group(0) == '-': return ' '... else: retu