Python 学习 第十篇：正则表达式 - re

规则表达式（Regular Expression， RE），又称做正则表达式，一般用于检索、替换符合指定规则的文本，正则表达式定义的规则，称做模式（Pattern），即正则表达式的做用是从文本中查找到符合模式的文本。在Python中使用正则表达式，须要导入re模块。

import re

对于简单的正则表达式，请参考文档：正则表达式 第一篇：元字符

一，re模块经常使用的函数

从帮助文档中能够看到，re模块导出的函数主要是：match、search、sub、split、findall、finditer、compile和escape，这些函数中，一般有三个参数，string：用于匹配的文本，pattern：正则表达式的模式，flags：匹配选项，flags 默认为0 ，不使用任何模式。

正则表达式的flag主要有：

• I：IGNORECASE， 忽略大小写的匹配模式
• M：MULTILINE，多行模式, 改变 ^ 和 $ 的行为
• S：DOTALL，此模式下 '.' 的匹配不受限制，可匹配任何字符，包括换行符
• X：VERBOSE，冗余模式， 此模式忽略正则表达式中的空白和#号的注释，例如写一个匹配邮箱的正则表达式
• U：UNICODE，使用 \w, \W, \b, \B 这些元字符时将按照 UNICODE 定义的属性.

正则表达式能够同时使用多个flag，在 Python 里面使用按位或运算符 | 同时添加多个fag，例如 re.compile('', re.I|re.M|re.S)

1，编译和转义

compile函数用于编译一个正则表达式模块，便于复用，

re.compile(pattern, flags=0) 
re.escape(pattern) 

转义函数的做用，和r'pattern'的做用相同，便于编写正则表达式，避免出现过多的转义字符。

print( re.escape(".+\d123"))
# output> \.\+\\d123

2，拆分

把一个字符串，按照正则表达式匹配的结果进行拆分

text='foo bar\t baz \tqux'
re.split('\s+',text)

或者，先编译成正则表达式对象，而后对字符串进行拆分：

regex=re.compile('\s+')

text='foo bar\t baz \tqux'
regex.split(text)

3，匹配第一个

正则表达式有两个匹配函数，match和search函数，这两个函数的相同之处：返回第一个匹配的对象，一旦匹配成功，就再也不继续查找，返回一个SRE_Match 对象；若是找不到，则返回None。

re.match(pattern, string, flags=0) 
re.search(pattern, string, flags=0) 

不一样之处在于：re.match函数从字符串的开头查找，若是开头不匹配，则再也不继续查找，返回None；而re.search匹配整个字符串，直到找到第一个匹配（注意：仅仅是第一个）或者没有匹配到任何文本。

4，匹配全部

re.findall在字符串中找到匹配正则表达式的全部文本，做为一个列表返回，若是没有找到匹配，则返回空列表：

re.findall(pattern, string, flags=0) 

re.finditer在字符串中找到匹配正则表达式所的全部文本，并把它们做为一个迭代器返回：

re.finditer(pattern, string, flags=0) 

5，替换匹配的字符

把正则表达式 pattern 匹配到的字符串替换为 repl 指定的字符串,  参数 count 用于指定最大替换次数，默认值是o，表示无限大。

re.sub(pattern, repl, string, count=0, flags=0)

替换函数能够把文本的标点符号和HTML标签去掉。

二，re内置的对象

re模块内置的对象有Pattern对象和Match对象

1，Pattern对象

Pattern对象是一个编译好的正则表达式，使用re.compile()进行构造，经过Pattern提供的一系列方法能够对文本进行匹配查找。

Pattern提供了几个可读属性用于获取表达式的相关信息：

• pattern: 编译时用的表达式字符串。
• flags: 编译时用的匹配模式，数字形式
• groups: 表达式中分组的数量。
• groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

2，Match对象

Match对象存储 re.match() 或 re.search()的结果，一般有一个值为True的boolean值。

Match对象的属性：

• string：传递给re.match() 或 re.search()的文本
• regs：元组集合，表示每一个匹配的起始索引和结束索引
• pos：正则表达式开始匹配的索引
• endpos：正则表达式结束匹配的索引

Match对象的方法：

• start(group)：group的默认值是0，表示每一个匹配的文本的开始索引
• end(group)：group的默认值是0，表示每一个匹配的文本的结束索引

三，正则表达式的应用

1，删除文本中的标点符号

remove_punct=re.compile('[%s]' % re.escape(string.punctuation))
no_punct = remove_punct.sub(u'', text)

2，删除文本中的HTML标签

# use sub to replace the tags
pat = re.compile('<[^>]+>', re.S)
pat.sub('', text)

#combine the normal text
pat = re.compile('>(.*?)<')
''.join(pat.findall(text))

 

参考文档：

Python正则表达式指南

在python中使用正则表达式(一)

python正则表达式详解