【轉載】Python正則表達式指南

04-22

原作者：

AstralWind - 博客園： Python正則表達式指南 - AstralWind - 博客園

Python正則表達式指南本文介紹了Python對於正則表達式的支持，包括正則表達式基礎以及Python正則表達式標準庫的完整介紹及使用示例。本文的內容不包括如何編寫高效的正則表達式、如何優化正則表達式，這些主題請查看其他教程。注意：本文基於Python2.4完成；如果看到不明白的辭彙請記得百度谷歌或維基，whatever。尊重作者的勞動，轉載請註明作者及原文地址 >.<html1. 正則表達式基礎1.1. 簡單介紹正則表達式並不是Python的一部分。正則表達式是用於處理字元串的強大工具，擁有自己獨特的語法以及一個獨立的處理引擎，效率上可能不如str自帶的方法，但功能十分強大。得益於這一點，在提供了正則表達式的語言里，正則表達式的語法都是一樣的，區別只在於不同的編程語言實現支持的語法數量不同；但不用擔心，不被支持的語法通常是不常用的部分。如果已經在其他語言里使用過正則表達式，只需要簡單看一看就可以上手了。下圖展示了使用正則表達式進行匹配的流程： re_simple正則表達式的大致匹配過程是：依次拿出表達式和文本中的字元比較，如果每一個字元都能匹配，則匹配成功；一旦有匹配不成功的字元則匹配失敗。如果表達式中有量詞或邊界，這個過程會稍微有一些不同，但也是很好理解的，看下圖中的示例以及自己多使用幾次就能明白。下圖列出了Python支持的正則表達式元字元和語法： pyre1.2. 數量詞的貪婪模式與非貪婪模式正則表達式通常用於在文本中查找匹配的字元串。Python里數量詞默認是貪婪的（在少數語言里也可能是默認非貪婪），總是嘗試匹配儘可能多的字元；非貪婪的則相反，總是嘗試匹配儘可能少的字元。例如：正則表達式"ab*"如果用於查找"abbbc"，將找到"abbb"。而如果使用非貪婪的數量詞"ab*?"，將找到"a"。1.3. 反斜杠的困擾與大多數編程語言相同，正則表達式里使用""作為轉義字元，這就可能造成反斜杠困擾。假如你需要匹配文本中的字元""，那麼使用編程語言表示的正則表達式里將需要4個反斜杠"\"：前兩個和後兩個分別用於在編程語言里轉義成反斜杠，轉換成兩個反斜杠後再在正則表達式里轉義成一個反斜杠。Python里的原生字元串很好地解決了這個問題，這個例子中的正則表達式可以使用r""表示。同樣，匹配一個數字的"\d"可以寫成r"d"。有了原生字元串，你再也不用擔心是不是漏寫了反斜杠，寫出來的表達式也更直觀。1.4. 匹配模式正則表達式提供了一些可用的匹配模式，比如忽略大小寫、多行匹配等，這部分內容將在Pattern類的工廠方法re.compile(pattern[, flags])中一起介紹。2. re模塊2.1. 開始使用rePython通過re模塊提供對正則表達式的支持。使用re的一般步驟是先將正則表達式的字元串形式編譯為Pattern實例，然後使用Pattern實例處理文本並獲得匹配結果（一個Match實例），最後使用Match實例獲得信息，進行其他的操作。123456789101112131415# encoding: UTF-8import re # 將正則表達式編譯成Pattern對象pattern = re.compile(rhello) # 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回Nonematch = pattern.match(hello world!) if match: # 使用Match獲得分組信息 print match.group() ### 輸出 #### hellore.compile(strPattern[, flag]):這個方法是Pattern類的工廠方法，用於將字元串形式的正則表達式編譯為Pattern對象。第二個參數flag是匹配模式，取值可以使用按位或運算符|表示同時生效，比如re.I | re.M。另外，你也可以在regex字元串中指定模式，比如re.compile(pattern, re.I | re.M)與re.compile((?im)pattern)是等價的。可選值有：re.I(re.IGNORECASE): 忽略大小寫（括弧內是完整寫法，下同）M(MULTILINE): 多行模式，改變^和$的行為（參見上圖）S(DOTALL): 點任意匹配模式，改變.的行為L(LOCALE): 使預定字元類 w W B s S 取決於當前區域設定U(UNICODE): 使預定字元類 w W B s S d D 取決於unicode定義的字元屬性X(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字元，並可以加入注釋。以下兩個正則表達式是等價的：1234a = re.compile(r"""d + # the integral part . # the decimal point d * # some fractional digits""", re.X)b = re.compile(r"d+.d*")re提供了眾多模塊方法用於完成正則表達式的功能。這些方法可以使用Pattern實例的相應方法替代，唯一的好處是少寫一行re.compile()代碼，但同時也無法復用編譯後的Pattern對象。這些方法將在Pattern類的實例方法部分一起介紹。如上面這個例子可以簡寫為：12m = re.match(rhello, hello world!)print m.group()re模塊還提供了一個方法escape(string)，用於將string中的正則表達式元字元如*/+/?等之前加上轉義符再返回，在需要大量匹配元字元時有那麼一點用。2.2. MatchMatch對象是一次匹配的結果，包含了很多關於此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。屬性：string: 匹配時使用的文本。re: 匹配時使用的Pattern對象。pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。lastindex: 最後一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。方法：group([group1, …]): 獲得一個或多個分組截獲的字元串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字元串的組返回None；截獲了多次的組返回最後一次截獲的子串。groups([default]): 以元組形式返回全部分組截獲的字元串。相當於調用group(1,2,…last)。default表示沒有截獲字元串的組以這個值替代，默認為None。groupdict([default]): 返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。start([group]): 返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group默認值為0。end([group]): 返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group默認值為0。span([group]): 返回(start(group), end(group))。expand(template): 將匹配到的分組代入template中然後返回。template中可以使用id或g<id>、g<name>引用分組，但不能使用編號0。id與g<id>是等價的；但10將被認為是第10個分組，如果你想表達1之後是字元0，只能使用g<1>0。1234567891011121314151617181920212223242526272829303132import rem = re.match(r(w+) (w+)(?P<sign>.*), hello world!) print "m.string:", m.stringprint "m.re:", m.reprint "m.pos:", m.posprint "m.endpos:", m.endposprint "m.lastindex:", m.lastindexprint "m.lastgroup:", m.lastgroup 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(r2 13):", m.expand(r2 13) ### 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(r2 13): world hello!2.3. PatternPattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。Pattern不能直接實例化，必須使用re.compile()進行構造。Pattern提供了幾個可讀屬性用於獲取表達式的相關信息：pattern: 編譯時用的表達式字元串。flags: 編譯時用的匹配模式。數字形式。groups: 表達式中分組的數量。groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。12345678910111213import rep = re.compile(r(w+) (w+)(?P<sign>.*), re.DOTALL) print "p.pattern:", p.patternprint "p.flags:", p.flagsprint "p.groups:", p.groupsprint "p.groupindex:", p.groupindex ### output #### p.pattern: (w+) (w+)(?P<sign>.*)# p.flags: 16# p.groups: 3# p.groupindex: {sign: 3}實例方法[ | re模塊方法]：match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。 pos和endpos的默認值分別為0和len(string)；re.match()無法指定這兩個參數，參數flags用於編譯pattern時指定匹配模式。注意：這個方法並不是完全匹配。當pattern結束時若string還有剩餘字元，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符$。示例參見2.1小節。search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 這個方法用於查找字元串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1後重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。 pos和endpos的默認值分別為0和len(string))；re.search()無法指定這兩個參數，參數flags用於編譯pattern時指定匹配模式。 12345678910111213141516# encoding: UTF-8 import re # 將正則表達式編譯成Pattern對象 pattern = re.compile(rworld) # 使用search()查找匹配的子串，不存在能匹配的子串時將返回None # 這個例子中使用match()無法成功匹配 match = pattern.search(hello world!) if match: # 使用Match獲得分組信息 print match.group() ### 輸出 ### # worldsplit(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。 1234567import re p = re.compile(rd+)print p.split(one1two2three3four4) ### output #### [one, two, three, four, ]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。 1234567import re p = re.compile(rd+)print p.findall(one1two2three3four4) ### output #### [1, 2, 3, 4]finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。 12345678import re p = re.compile(rd+)for m in p.finditer(one1two2three3four4): print m.group(), ### output #### 1 2 3 4sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 使用repl替換string中每一個匹配的子串後返回替換後的字元串。當repl是一個字元串時，可以使用id或g<id>、g<name>引用分組，但不能使用編號0。當repl是一個方法時，這個方法應當只接受一個參數（Match對象），並返回一個字元串用於替換（返回的字元串中不能再引用分組）。 count用於指定最多替換次數，不指定時全部替換。 123456789101112131415import re p = re.compile(r(w+) (w+))s = i say, hello world! print p.sub(r2 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(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 返回 (sub(repl, string[, count]), 替換次數)。 123456789101112131415import re p = re.compile(r(w+) (w+))s = i say, hello world! print p.subn(r2 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)以上就是Python對於正則表達式的支持。熟練掌握正則表達式是每一個程序員必須具備的技能，這年頭沒有不與字元串打交道的程序了。筆者也處於初級階段，與君共勉，^_^另外，圖中的特殊構造部分沒有舉出例子，用到這些的正則表達式是具有一定難度的。有興趣可以思考一下，如何匹配不是以abc開頭的單詞，^_^全文結束