Python 正则表达式

关键时刻,第一时间送达!

简介

正则表达式(regular expression)是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串,可以匹配其自身。比如,正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。

要注意的是,正则表达式并不是一个程序,而是用于处理字符串的一种模式,如果你想用它来处理字符串,就必须使用支持正则表达式的工具,比如 Linux 中的 awk, sed, grep,或者编程语言 Perl, Python, Java 等等。

正则表达式有多种不同的风格,下表列出了适用于 Python 或 Perl 等编程语言的部分元字符以及说明:

re 模块

在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是,正则表达式使用 对特殊字符进行转义,比如,为了匹配字符串 'python.org',我们需要使用正则表达式 'python.org',而 Python 的字符串本身也用 转义,所以上面的正则表达式在 Python 中应该写成 'python.org',这会很容易陷入 的困扰中,因此,我们建议使用 Python 的原始字符串,只需加一个 r 前缀,上面的正则表达式可以写成:

r'python.org'

re 模块提供了不少有用的函数,用以匹配字符串,比如:

compile 函数

match 函数

search 函数

findall 函数

finditer 函数

split 函数

sub 函数

subn 函数

re 模块的一般使用步骤如下:

使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象

通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象)

最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作

compile 函数

compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:

re.compile(pattern[, flag])

其中,pattern 是一个字符串形式的正则表达式,flag 是一个可选参数,表示匹配模式,比如忽略大小写,多行模式等。

下面,让我们看看例子。

importre

# 将正则表达式编译成 Pattern 对象

pattern=re.compile(r'd+')

在上面,我们已将一个正则表达式编译成 Pattern 对象,接下来,我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。Pattern 对象的一些常用方法主要有:

match 方法

search 方法

findall 方法

finditer 方法

split 方法

sub 方法

subn 方法

match 方法

match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。它的一般使用形式如下:

match(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。

当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

看看例子。

>>>importre

>>>pattern=re.compile(r'd+')# 用于匹配至少一个数字

>>>m=pattern.match('one12twothree34four')# 查找头部,没有匹配

None

>>>m=pattern.match('one12twothree34four',2,10)# 从'e'的位置开始匹配,没有匹配

None

>>>m=pattern.match('one12twothree34four',3,10)# 从'1'的位置开始匹配,正好匹配

>>>printm# 返回一个 Match 对象

>>>m.group()# 可省略 0

'12'

>>>m.start()# 可省略 0

3

>>>m.end()# 可省略 0

5

>>>m.span()# 可省略 0

(3,5)

在上面,当匹配成功时返回一个 Match 对象,其中:

group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);

start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;

end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;

span([group]) 方法返回 (start(group), end(group))。

再看看一个例子:

>>>importre

>>>pattern=re.compile(r'([a-z]+) ([a-z]+)',re.I)# re.I 表示忽略大小写

>>>m=pattern.match('Hello World Wide Web')

>>>printm# 匹配成功,返回一个 Match 对象

>>>m.group()# 返回匹配成功的整个子串

'Hello World'

>>>m.span()# 返回匹配成功的整个子串的索引

(,11)

>>>m.group(1)# 返回第一个分组匹配成功的子串

'Hello'

>>>m.span(1)# 返回第一个分组匹配成功的子串的索引

(,5)

>>>m.group(2)# 返回第二个分组匹配成功的子串

'World'

>>>m.span(2)# 返回第二个分组匹配成功的子串

(6,11)

>>>m.groups()# 等价于 (m.group(1), m.group(2), ...)

('Hello','World')

>>>m.group(3)# 不存在第三个分组

Traceback(most recent calllast):

File"",line1,in

IndexError:no suchgroup

search 方法

search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:

search(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

让我们看看例子:

>>>importre

>>>pattern=re.compile('d+')

>>>m=pattern.search('one12twothree34four')# 这里如果使用 match 方法则不匹配

>>>m.group()

'12'

>>>m=pattern.search('one12twothree34four',10,30)# 指定字符串区间

>>>m.group()

'34'

>>>m.span()

(13,15)

再来看一个例子:

# -*- coding: utf-8 -*-

importre

# 将正则表达式编译成 Pattern 对象

pattern=re.compile(r'd+')

# 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None

# 这里使用 match() 无法成功匹配

m=pattern.search('hello 123456 789')

ifm:

# 使用 Match 获得分组信息

print'matching string:',m.group()

print'position:',m.span()

执行结果:

matchingstring:123456

position:(6,12)

findall 方法

上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。

findall 方法的使用形式如下:

findall(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。

看看例子:

import re

pattern=re.compile(r'd+')# 查找数字

result1=pattern.findall('hello 123456 789')

result2=pattern.findall('one1two2three3four4',,10)

print result1

printresult2

执行结果:

['123456','789']

['1','2']

finditer 方法

finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。

看看例子:

# -*- coding: utf-8 -*-

import re

pattern=re.compile(r'd+')

result_iter1=pattern.finditer('hello 123456 789')

result_iter2=pattern.finditer('one1two2three3four4',,10)

print type(result_iter1)

print type(result_iter2)

print'result1...'

form1inresult_iter1:# m1 是 Match 对象

print'matching string: {}, position: {}'.format(m1.group(),m1.span())

print'result2...'

form2inresult_iter2:

print'matching string: {}, position: {}'.format(m2.group(),m2.span())

执行结果:

result1...

matching string:123456,position:(6,12)

matching string:789,position:(13,16)

result2...

matching string:1,position:(3,4)

matching string:2,position:(7,8)

split 方法

split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:

split(string[, maxsplit])

其中,maxsplit 用于指定最大分割次数,不指定将全部分割。

看看例子:

importre

p=re.compile(r'[s,;]+')

printp.split('a,b;; c d')

执行结果:

['a', 'b', 'c', 'd']

sub 方法

sub 方法用于替换。它的使用形式如下:

sub(repl, string[, count])

其中,repl 可以是字符串也可以是一个函数:

如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;

如果 repl 是函数,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。

看看例子:

importre

p=re.compile(r'(w+) (w+)')

s='hello 123, hello 456'

deffunc(m):

return'hi'+' '+m.group(2)

printp.sub(r'hello world',s)# 使用 'hello world' 替换 'hello 123' 和 'hello 456'

printp.sub(r' ',s)# 引用分组

printp.sub(func,s)

printp.sub(func,s,1)# 最多替换一次

执行结果:

helloworld,helloworld

123hello,456hello

hi123,hi456

hi123,hello456

subn 方法

subn 方法跟 sub 方法的行为类似,也用于替换。它的使用形式如下:

subn(repl, string[, count])

它返回一个元组:

(sub(repl, string[, count]), 替换次数)

元组有两个元素,第一个元素是使用 sub 方法的结果,第二个元素返回原字符串被替换的次数。

看看例子:

importre

p=re.compile(r'(w+) (w+)')

s='hello 123, hello 456'

deffunc(m):

return'hi'+' '+m.group(2)

printp.subn(r'hello world',s)

printp.subn(r' ',s)

printp.subn(func,s)

printp.subn(func,s,1)

执行结果:

('hello world, hello world',2)

('123 hello, 456 hello',2)

('hi 123, hi 456',2)

('hi 123, hello 456',1)

其他函数

事实上,使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的,但在使用上有细微差别。

match 函数

match 函数的使用形式如下:

re.match(pattern, string[, flags]):

其中,pattern 是正则表达式的字符串形式,比如 d+, [a-z]+。

而 Pattern 对象的 match 方法使用形式是:

match(string[, pos[, endpos]])

可以看到,match 函数不能指定字符串的区间,它只能搜索头部,看看例子:

importre

m1=re.match(r'd+','One12twothree34four')

ifm1:

print'matching string:',m1.group()

else:

print'm1 is:',m1

m2=re.match(r'd+','12twothree34four')

ifm2:

print'matching string:',m2.group()

else:

print'm2 is:',m2

执行结果:

m1is:None

matchingstring:12

search 函数

search 函数的使用形式如下:

re.search(pattern, string[, flags])

search 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 search 方法类似。

findall 函数

findall 函数的使用形式如下:

re.findall(pattern, string[, flags])

findall 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 findall 方法类似。

看看例子:

import re

printre.findall(r'd+','hello 12345 789')

# 输出

['12345','789']

finditer 函数

finditer 函数的使用方法跟 Pattern 的 finditer 方法类似,形式如下:

re.finditer(pattern, string[, flags])

split 函数

split 函数的使用形式如下:

re.split(pattern, string[, maxsplit])

sub 函数

sub 函数的使用形式如下:

re.sub(pattern, repl, string[, count])

subn 函数

subn 函数的使用形式如下:

re.subn(pattern, repl, string[, count])

到底用哪种方式

从上文可以看到,使用 re 模块有两种方式:

使用 re.compile 函数生成一个 Pattern 对象,然后使用 Pattern 对象的一系列方法对文本进行匹配查找;

直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找;

下面,我们用一个例子展示这两种方法。

先看第 1 种用法:

importre

# 将正则表达式先编译成 Pattern 对象

pattern=re.compile(r'd+')

printpattern.match('123, 123')

printpattern.search('234, 234')

printpattern.findall('345, 345')

再看第 2 种用法:

import re

printre.match(r'd+','123, 123')

printre.search(r'd+','234, 234')

printre.findall(r'd+','345, 345')

如果一个正则表达式需要用到多次(比如上面的 d+),在多种场合经常需要被用到,出于效率的考虑,我们应该预先编译该正则表达式,生成一个 Pattern 对象,再使用该对象的一系列方法对需要匹配的文件进行匹配;而如果直接使用 re.match, re.search 等函数,每次传入一个正则表达式,它都会被编译一次,效率就会大打折扣。

因此,我们推荐使用第 1 种用法。

匹配中文

在某些情况下,我们想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围 主要在 [u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。

假设现在想把字符串 title = u'你好,hello,世界' 中的中文提取出来,可以这么做:

# -*- coding: utf-8 -*-

import re

title=u'你好,hello,世界'

pattern=re.compile(ur'[一-龥]+')

result=pattern.findall(title)

printresult

注意到,我们在正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。

执行结果:

[u'你好', u'世界']

贪婪匹配

在 Python 中,正则匹配默认是贪婪匹配(在少数语言中可能是非贪婪),也就是匹配尽可能多的字符

比如,我们想找出字符串中的所有 div 块:

importre

content='aa

test1

bb

test2

cc'

pattern=re.compile(r'

.*

')

result=pattern.findall(content)

printresult

执行结果:

['

test1

bb

test2

']

由于正则匹配是贪婪匹配,也就是尽可能多的匹配,因此,在成功匹配到第一个

时,它还会向右尝试匹配,查看是否还有更长的可以成功匹配的子串。

如果我们想非贪婪匹配,可以加一个 ?,如下:

importre

content='aa

test1

bb

test2

cc'

pattern=re.compile(r'

.*?

')# 加上 ?

result=pattern.findall(content)

printresult

结果:

['

test1

', '

test2

']

小结

re 模块的一般使用步骤如下:

使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象;

通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象);

最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作;

Python 的正则匹配默认是贪婪匹配。

参考资料

正则表达式 – 维基百科

Python正则表达式指南

来源:geekvi

segmentfault.com/a/1190000007929344

Python开发整理发布,转载请联系作者获得授权

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180126B12FYW00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券