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。html

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python

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

正则表达式的flag主要有:函数

  • 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)spa

1,编译和转义code

compile函数用于编译一个正则表达式模块,便于复用,orm

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。htm

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

2,拆分对象

把一个字符串,按照正则表达式匹配的结果进行拆分blog

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

相关文章
相关标签/搜索