【循序漸進學Python】12.Python 正則表達式簡介

正表達式就是一段匹配文本片段的模式，在Python 中 re 模塊包含了對正則表達式(regular expression)的支持。

1. 正則表達式的基本概念

1. 通配符

點號( . )可以匹配換行符之外的任何單個字符，被稱之為通配符。

 

2. 特殊字符轉義

將有特殊含義的字符作為普通字符使用時需要進行轉義。例如想要匹配 python.org時需要將表達式寫為: python\\.org 才行。

為什么使用兩個反斜線？

這是為了通過解釋器進行轉義，需要進行兩個級別的轉義：1.通過解釋器的轉義；2.通過 re 模塊轉義。如果不想使用兩個反斜線，可以考慮使用原始字符串，如：r'python\.org'。

 

3. 字符集

字符集是在中括號( [] )中包含字符串。字符集可以匹配它所包含的任意字符。即'[pj]ython'可以匹配 python 和 jython 。

 使用范圍

可以使用范圍，如 '[a-z]' 可以匹配 a 到 z 的任意一個字符。'a-zA-Z0-9' 可以匹配任意大小寫的一個字母或數字。

 

反轉字符集

我們也可以對字符集進行反轉，比如 '[^abc]' 匹配除了a、b和c之外的任何字符。

 

字符集中的特殊字符

特殊字符在模式中做文本字符，而不是正則表達式運算符的話需要對其進行轉義。但是在字符集中並不需要，只有以三種情況下，需要將特殊字符作為普通文本使用時，需要對字符進行轉義：

• ^ 脫字符作為字符集的開頭
• ] 右中括號作為字符集的開頭
• - 橫線(字符范圍)作為字符集的開頭

 

4. 選擇符合子模式

管道符號( | )是用於選擇項的特殊字符。例如: 'python|ruby' 匹配python和ruby這兩個單詞。

子模式(subparttern)是指：使用圓括號將選擇項括起來。例如 'p(ython|erl)' 匹配python和perl。

 

5. 可選項和重復子模式

在子模式后面加上一個問號，它就變成了一個可選項，例如：

r'(http://)?(www\.)?python\.org$'

 

上面的模式只能匹配下面的字符串：

'http://www.python.org'
'http://python.org'
'www.python.org'
'python.org'

 

問號表示子模式可以出現一次或者根本不出現，下面的運算符允許子模式重復多次：

• (pattern)*： 允許模式重復0次或多次
• (pattern)+： 允許模式出現一次或多次
• (pattern){m-n}： 允許模式重復m~n次

 

6. 字符串的開始和結尾

使用 ^ 脫字符標記字符串開始；使用美元符號 $ 標識字符串的結尾。如：

'^Python$' 

 

2. re 模塊

re 模塊包含了很多操作正則表達式的函數，以下是其中最常用的函數:

compile(pattern[, flags])               根據包含正則表達式的字符串創建模式對象
search(pattern, string[, flags])        在字符串中尋找模式
match(pattern, string[, flags])         在字符串的開始處匹配模式
split(pattern, string[, maxsplit=0])    根據模式的匹配項來分割字符串
findall(pattern, string)                列出字符串中模式的所有匹配項
sub(pat, repl, string[, count=0])       將字符串中所有pat的匹配項用repl替換
escape(string)                          將字符串中所有特殊正則表達式字符轉義

 

下面是這些函數的的簡單示例：

# --coding: utf-8 --
import re

# search
pattern = r'(http://)?(www\.)?python\.org$'
string = 'python.org'
if re.search(pattern,string):
    print 'found it'

# match
text = 'alpha,beta,,,,,,gamma delta'
pattern = '[,]+' # 注意+號
print re.split(pattern,text) # ['alpha', 'beta', 'gamma delta']

# findall
pattern = '[a-zA-Z]+' # 匹配單詞
text = '"Hm... Err -- are you sure?" he said, sounding insecure.'
# ['Hm', 'Err', 'are', 'you', 'sure', 'he', 'said', 'sounding', 'insecure']
print re.findall(pattern,text) 

pattern = r'[.?\-",]' # 匹配標點符號
# ['"', '.', '.', '.', '-', '-', '?', '"', ',', '.']
print re.findall(pattern,text)

# sub
pattern = '{name}'
text = 'Dear {name}...'
print re.sub(pattern, 'Mr. Gumby', text) # Dear Mr. Gumby...

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

 

2.1 匹配對象和組

當 re 模塊中對字符串進行匹配的函數找到匹配項時，就會返回一個 MatchObject 對象。

 

組的概念

該對象包含了匹配模式的子字符串的信息，這些信息由組(group)構成。簡而言之，組就是放置在圓括號內的子模式。組的序號取決於它左側的括號數。組0就是整個模式。在下面的模式中：

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

 

包含這些組：

0   There was a wee cooper who lived in Fyfe
1   was a wee cooper
2   wee
3   cooper
4   lived in Fyfe

 

下面是 re 匹配對象的常用方法：

group([group1], ...])           獲取給定子模式(組)的匹配項
start([start])                  返回給定組匹配項的開始位置(返回結果是索引從0開始)
end([end])                      返回給定組匹配項的結束位置(返回結果是索引加1，和分片一樣，不包括組的結束位置)
span([group])                   返回一個組的開始和結束位置

 

示例如下：

import re

m = re.match(r'www\.(.*)\..{3}','www.python.org')
print m.group(1) # python
print m.start(1) # 4
print m.end(1) # 10
print m.span(1) # (4, 10)

 

除了整體匹配以為(組0)，只能使用99個組，即組的范圍在1-99之間

 

2.2 使用re的替換函數

通過使用 re.sub 函數和組號的結合，還可以實現更加復雜的字符串提供功能，如下所示：

import re

emphasis_pattern = r'\*([^\*]+)\*'

# hello, <em>world</em>!
print re.sub(emphasis_pattern,r'<em>\1</em>','hello, *world*!')

 

貪婪模式和非貪婪模式

重復運算符默認是貪婪的( greedy),它會進行盡可能多的匹配。如下面的模式使用的就是貪婪模式：

import re

emphasis_pattern = r'\*(.+)\*'
text = '*This* is *it*'
# <em>This* is *it<em>
print re.sub(emphasis_pattern,r'<em>\1<em>',text)

 

非貪婪模式和貪婪模式相反，它會盡可能少的匹配。將重復運算符變成非貪婪模式只需要在其后加一個問號( ? )即可：

import re

emphasis_pattern = r'\*(.+?)\*'
text = '*This* is *it*'
# <em>This<em> is <em>it<em>
print re.sub(emphasis_pattern,r'<em>\1<em>',text)

 

參考資料&進一步閱讀

Python Doc —— re 模塊

Python基礎教程(第二版)