【Python】Python正則表達式使用指導

1. 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符串的強大工具，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裏，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裏使用過正則表達式，只需要簡單看一看就可以上手了。

  在這裏還是要推薦下我自己建的Python開發學習羣：725479218，羣裏都是學Python開發的，如果你正在學習Python ，小編歡迎你加入,大家都是軟件開發黨，不定期分享乾貨（只有Python軟件開發相關的），包括我自己整理的一份2018最新的Python進階資料和高級開發教程，歡迎進階中和進想深入Python的小夥伴

下圖展示了使用正則表達式進行匹配的流程： 

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符比較，如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。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符和語法：   

1.2. 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符串。Python裏數量詞默認是貪婪的（在少數語言裏也可能是默認非貪婪），總是嘗試匹配儘可能多的字符；非貪婪的則相反，總是嘗試匹配儘可能少的字符。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. 反斜槓的困擾

與大多數編程語言相同，正則表達式裏使用”\”作爲轉義字符，這就可能造成反斜槓困擾。假如你需要匹配文本中的字符”\”，那麼使用編程語言表示的正則表達式裏將需要4個反斜槓”\\”：前兩個和後兩個分別用於在編程語言裏轉義成反斜槓，轉換成兩個反斜槓後再在正則表達式裏轉義成一個反斜槓。Python裏的原生字符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”。有了原生字符串，你再也不用擔心是不是漏寫了反斜槓，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re

Python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符串形式編譯爲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。

“`

encoding: UTF-8

import re

將正則表達式編譯成Pattern對象

pattern = re.compile(r’hello’)

使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None

match = pattern.match(‘hello world!’)

if match:
# 使用Match獲得分組信息
print match.group()

輸出

hello

<pre style="margin-top: 0px; margin-bottom: 0px; white-space: pre-wrap; word-wrap: break-word; font-family: &quot;Courier New&quot; !important; font-size: 12px !important;"># encoding: UTF-8
import re # 將正則表達式編譯成Pattern對象
pattern = re.compile(r'hello') # 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None
match = pattern.match('hello world!') if match: # 使用Match獲得分組信息
    print match.group() ### 輸出 ### # hello</pre>

a = re.compile(r”“”\d + # the integral part
. # the decimal point
\d * # some fractional digits”“”, re.X)
b = re.compile(r”\d+.\d*”)

**re.compile(strPattern[, flag]):**

這個方法是Pattern類的工廠方法，用於將字符串形式的正則表達式編譯爲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字符串中指定模式，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（括號內是完整寫法，下同）
*   **M**(MULTILINE): 多行模式，改變'^'和'$'的行爲（參見上圖）
*   **S**(DOTALL): 點任意匹配模式，改變'.'的行爲
*   **L**(LOCALE): 使預定字符類 \w \W \b \B \s \S 取決於當前區域設定
*   **U**(UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決於unicode定義的字符屬性
*   **X**(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，並可以加入註釋。以下兩個正則表達式是等價的：



re提供了衆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，但同時也無法複用編譯後的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爲：

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符如*/+/?等之前加上轉義符再返回，在需要大量匹配元字符時有那麼一點用。

### 2.2\. Match

Match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：

1.  **string**: 匹配時使用的文本。
2.  **re**: 匹配時使用的Pattern對象。
3.  **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。
4.  **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。
5.  **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，將爲None。
6.  **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，將爲None。

方法：

1.  **group([group1, …]): **
    獲得一個或多個分組截獲的字符串；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)；沒有截獲字符串的組返回None；截獲了多次的組返回最後一次截獲的子串。
2.  **groups([default]):** 
    以元組形式返回全部分組截獲的字符串。相當於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認爲None。
3.  **groupdict([default]):** 返回以有別名的組的別名爲鍵、以該組截獲的子串爲值的字典，沒有別名的組不包含在內。default含義同上。
4.  **start([group]):** 
    返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值爲0。
5.  **end([group]):** 返回指定的組截獲的子串在string中的結束索引（子串最後一個字符的索引+1）。group默認值爲0。
6.  **span([group]):** 返回(start(group), end(group))。
7.  **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將被認爲是第10個分組，如果你想表達\1之後是字符'0'，只能使用\g<1>0。

import re
m = re.match(r’(\w+) (\w+)(?P.*)’, ‘hello world!’)

print “m.string:”, m.string
print “m.re:”, m.re
print “m.pos:”, m.pos
print “m.endpos:”, m.endpos
print “m.lastindex:”, m.lastindex
print “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(r’\2 \1\3’):”, m.expand(r’\2 \1\3’)

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(r’\2 \1\3’): world hello!

### 2.3\. Pattern

Pattern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：

1.  pattern: 編譯時用的表達式字符串。
2.  flags: 編譯時用的匹配模式。數字形式。
3.  groups: 表達式中分組的數量。
4.  groupindex: 以表達式中有別名的組的別名爲鍵、以該組對應的編號爲值的字典，沒有別名的組不包含在內。

import re
p = re.compile(r’(\w+) (\w+)(?P.*)’, re.DOTALL)

print “p.pattern:”, p.pattern
print “p.flags:”, p.flags
print “p.groups:”, p.groups
print “p.groupindex:”, p.groupindex

output

p.pattern: (\w+) (\w+)(?P.*)

p.flags: 16

p.groups: 3

p.groupindex: {‘sign’: 3}

　　實例方法[ | re模塊方法]：

1.  **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的默認值分別爲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還有剩餘字符，仍然視爲成功。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。
2.  **search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):** 這個方法用於查找字符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的默認值分別爲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。 

encoding: UTF-8

import re

將正則表達式編譯成Pattern對象

pattern = re.compile(r’world’)

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 ###

world

**3\.   split(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。 

import re

p = re.compile(r’\d+’)
print p.split(‘one1two2three3four4’)

output

[‘one’, ‘two’, ‘three’, ‘four’, ”]

**4\.   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。 

import re

p = re.compile(r’\d+’)
print p.findall(‘one1two2three3four4’)

output

[‘1’, ‘2’, ‘3’, ‘4’]

**5\.  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。 

import re

p = re.compile(r’\d+’)
for m in p.finditer(‘one1two2three3four4’):
print m.group(),

output

1 2 3 4

**6\.   sub(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符串。 
　　　　　　當repl是一個字符串時，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），並返回一個字符串用於替換（返回的字符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。 

import re

p = re.compile(r’(\w+) (\w+)’)
s = ‘i say, hello world!’

print p.sub(r’\2 \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!

“`
　　　　7.  subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 　　　　　　返回 (sub(repl, string[, count]), 替換次數)。 

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，這年頭沒有不與字符串打交道的程序了。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，^_^