python学习--正则表达式

正则表达式是一种用来匹配字符串的强有力的工具它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，咱们就认为它“匹配”了，不然，该字符串就是不合法的。

Python支持的正则表达式元字符和语法：

语法	说明	实例	完整匹配的字符串
通常字符	匹配自身	a1b2c3	a1b2c3
.	匹配任意除换行符'\n'外的字符	l.l	lol|lpl|lfl
\	转义字符，使后一个字符改变原来的意思	l\.l l\\l	l.l l\l
[...]	对应的位置能够是字符集中任意字符，字符集中的字符能够逐个列出，也能够给出范围如[abc]或[a-c],第一个字符若是是^则表示取反如[^abc]表示除abc之外的其余字符；全部特殊字符在字符集中都是去其原有特殊意义	a[bcd]e	abe ace ade
\d	数字：[0-9]	a\dc	a2c
\D	非数字：[^\d]	a\Dc	axc
\s	空白字符：[空格,\t\r\n\f\v]	a\sc	a c
\S	非空白字符：[^\s]
\w	单词字符：[_a-zA-Z0-9]	a\wc	axc

\W	非单词字符：[^\w]	a\Wc	a c
*	匹配前一个字符0或无限次	abc*	ab abcccccc
+	匹配前一个字符1或无限次	abc+	abc abcccccc
?	匹配前一个字符0或1次	abc?	ab abc
{m}	匹配前一个字符m次	ab{2}c	abbc
{m,n}	匹配前一个字符m至n次；若省略m,匹配0至n次；若省略n，匹配m至无限次	ab{1,2}c	abc abbc
*? +? ?? {m,n}?	使* + ? {m,n}变成非贪婪模式
^	匹配字符串开头 在多行模式中匹配每一行的开头	^abc	abc
$	匹配字符串末尾 在多行模式中匹配每一行的末尾	abc$	abc
\A	仅匹配字符串开头	\Aabc	abc

\Z	仅匹配字符串末尾	abc\Z	abc
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 能够匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B	匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
|	左右表达式任意匹配一个 老是先尝试匹配左边表达式，一旦匹配成功则跳过匹配右边的表达式	abc|def	abc def
(...)	被括起来的表达式做为分组	(abc){2} ab(12|45)c	abcabc ab45c
(?#...)	#后的内容做为注释被忽略	ab(?#com..)123	ab123

反斜杠

与大多数编程语言相同，正则表达式里使用"\"做为转义字符，这就可能形成反斜杠困扰。假如你须要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将须要4个反斜杠"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可使用r"\\"表示。一样，匹配一个数字的"\\d"能够写成r"\d"。有了原生字符串，你不再用担忧是否是漏写了反斜杠，写出来的表达式也更直观。

看一个例子：\d{3}\s+\d{3,8}

咱们来从左到右解读一下：

\d{3}表示匹配3个数字，例如'010'；

\s能够匹配一个空格（也包括Tab等空白符），因此\s+表示至少有一个空格，例如匹配' '，' '等；

\d{3,8}表示3-8个数字，例如'1234567'。

综合起来，上面的正则表达式能够匹配以任意个空格隔开的带区号的电话号码。

若是要匹配'010-12345'这样的号码呢？因为'-'是特殊字符，在正则表达式中，要用'\'转义，因此，上面的正则是\d{3}\-\d{3,8}。

进阶

要作更精确地匹配，能够用[]表示范围，好比：

[0-9a-zA-Z\_]能够匹配一个数字、字母或者下划线；

[0-9a-zA-Z\_]+能够匹配至少由一个数字、字母或者下划线组成的字符串，好比'a100'，'0_Z'，'Py3000'等等；

[a-zA-Z\_][0-9a-zA-Z\_]*能够匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；

[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。

A|B能够匹配A或B，因此[P|p]ython能够匹配'Python'或者'python'。

^表示行的开头，^\d表示必须以数字开头。

$表示行的结束，\d$表示必须以数字结束。

你可能注意到了，py也能够匹配'python'，可是加上^py$就变成了整行匹配，就只能匹配'py'了。

re模块

re 模块使 Python 语言拥有所有的正则表达式功能。

re.match

re.match 尝试从字符串的开始匹配一个模式。

语法：

re.match(pattern, string, flags=0)

参数说明：

pattern    匹配的正则表达式

string     要匹配的字符串。

flags     标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

匹配成功re.match方法返回一个匹配的对象，不然返回None。

eg:

import re

sss = re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
print(sss)

<_sre.SRE_Match object; span=(0, 9), match='010-12345'>

可使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

group(num=0)    匹配的整个表达式的字符串，group() 能够一次输入多个组号，在这种状况下它将返回一个包含那些组所对应值的元组。

groups()    返回一个包含全部小组字符串的元组，从 1 到 所含的小组号。

eg:

line = "Cats are smarter than dogs"
matchObj = re.match(r'(.*) are (.*?) .*', line)
if matchObj:
    print("matchObj.group() : ", matchObj.group())
    print("matchObj.groups() : ", matchObj.groups())
    print("matchObj.group(1) : ", matchObj.group(1))
    print("matchObj.group(2) : ", matchObj.group(2))
else:
    print("No match!!")
    
    
matchObj.group() : Cats are smarter than dogs
matchObj.groups() : ('Cats', 'smarter')
matchObj.group(1) : Cats
matchObj.group(2) : smarter

re.search

语法：

re.search(pattern, string, flags=0)

re.match只匹配字符串的开始，若是字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。

eg:

import re

line = "Cats are smarter than dogs"
matchObj = re.match(r'are', line)
if matchObj:
    print("are ", matchObj.group())
else:
    print("No match!!")

matchObj = re.search(r'are', line)
if matchObj:
    print("are : ", matchObj.group())
else:
    print("No match!!")
    
    
No match!!
are :  are

切分字符串

语法：

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

按照可以匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将所有分割。 

a = re.split(r'\d+', 'one1two2three3four')
print(a)

['one', 'two', 'three', 'four']

s = re.split(r'\s+', 'a b  c    d w')
print(s)
d = re.split(r'[\s\,\;]+', 'a ,a;b,v g,d    , ;')
print(d)

['a', 'b', 'c', 'd', 'w']
['a', 'a', 'b', 'v', 'g', 'd', '']

findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])

搜索string，以列表形式返回所有能匹配的子串。

u = re.findall(r'\d', 'one1two2three3four4')
print(u)

['1', '2', '3', '4']

finditer

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])

搜索string，返回一个顺序访问每个匹配结果（Match对象）的迭代器。

u = re.finditer(r'\d', 'one1two2three3four4')
for i in u:
    print(i.group())
    
1
2
3
4

re.sub用于替换字符串中的匹配项。

语法：

re.sub(pattern, repl, string, max=0)

返回的字符串是在字符串中用 RE 最左边不重复的匹配来替换。若是模式没有发现，字符将被没有改变地返回。

可选参数 count 是模式匹配后替换的最大次数；count 必须是非负整数。缺省值是 0 表示替换全部的匹配

#!/usr/bin/python
import re

phone = "2004-959-559 # This is Phone Number"
num = re.sub(r'#.*', "", phone)
print(num)
nun = re.sub(r'\D', "", num)
print(nun)


2004-959-559 
2004959559

正则表达式很是强大,要讲清楚正则的全部内容，能够写一本厚厚的书了。若是你常常遇到正则表达式的问题，你可能须要一本正则表达式的参考书。

参考：

http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html