Python正则表达式re模块简明笔记

简介

正则表达式（regular expression）是能够匹配文本片断的模式。最简单的正则表达式就是普通字符串，能够匹配其自身。好比，正则表达式 ‘hello’ 能够匹配字符串 ‘hello’。

要注意的是，正则表达式并非一个程序，而是用于处理字符串的一种模式，若是你想用它来处理字符串，就必须使用支持正则表达式的工具，好比 Linux 中的 awk, sed, grep，或者编程语言 Perl, Python, Java 等等。

正则表达式有多种不一样的风格，下表列出了适用于 Python 或 Perl 等编程语言的部分 元字符 以及说明：

re 模块

在 Python 中，咱们可使用内置的 re 模块来使用正则表达式。

有一点须要特别注意的是，正则表达式使用 \ 对特殊字符进行转义，好比，为了匹配字符串 ‘python.org’，咱们须要使用正则表达式  'python\.org' ，而 Python 的字符串自己也用  \ 转义，因此上面的正则表达式在 Python 中应该写成  'python\\.org'，这会很容易陷入  \ 的困扰中，所以，咱们建议使用 Python 的原始字符串，只需加一个 r 前缀，上面的正则表达式能够写成：

r'python\.org'

re 模块提供了很多有用的函数，用以匹配字符串，好比：

• compile 函数

• match 函数

• search 函数

• findall 函数

• finditer 函数

• split 函数

• sub 函数

• subn 函数

re 模块的通常使用步骤以下：

• 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象

• 经过 Pattern 对象提供的一系列方法对文本进行匹配查找，得到匹配结果（一个 Match 对象）

• 最后使用 Match 对象提供的属性和方法得到信息，根据须要进行其余的操做

compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的通常使用形式以下：

re .compile ( pattern [, flag] )

其中，pattern 是一个字符串形式的正则表达式，flag 是一个可选参数，表示匹配模式，好比忽略大小写，多行模式等。

下面，让咱们看看例子。

import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(

r'\d+'

)

在上面，咱们已将一个正则表达式编译成 Pattern 对象，接下来，咱们就能够利用 pattern 的一系列方法对文本进行匹配查找了。Pattern 对象的一些经常使用方法主要有：

• match 方法

• search 方法

• findall 方法

• finditer 方法

• split 方法

• sub 方法

• subn 方法

match 方法

match 方法用于查找字符串的头部（也能够指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找全部匹配的结果。它的通常使用形式以下：

match ( string [, pos[, endpos] ])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。所以， 当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部 。

当匹配成功时，返回一个 Match 对象，若是没有匹配上，则返回 None。

看看例子。

>>> import re

>>> pattern = re.compile( r'\d+' )                    # 用于匹配至少一个数字

>>> m = pattern.match( 'one12twothree34four' )        # 查找头部，没有匹配

>>> print m

None

>>> m = pattern.match( 'one12twothree34four' , 2 , 10 ) # 从'e'的位置开始匹配，没有匹配

>>> print m

None

>>> m = pattern.match( 'one12twothree34four' , 3 , 10 ) # 从'1'的位置开始匹配，正好匹配

>>> print m                                         # 返回一个 Match 对象

<_sre.SRE_Match object at 0x10a42aac0 >

>>> m.group( 0 )   # 可省略 0

'12'

>>> m.start( 0 )   # 可省略 0

3

>>> m.end( 0 )     # 可省略 0

5

>>> m.span( 0 )    # 可省略 0

( 3

,

5

)

在上面，当匹配成功时返回一个 Match 对象，其中：

• group([group1, …]) 方法用于得到一个或多个分组匹配的字符串，当要得到整个匹配的子串时，可直接使用  group() 或  group(0) ；

• start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；

• end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；

• span([group]) 方法返回  (start(group), end(group)) 。

再看看一个例子：

>> > import re

>> > pattern = re.compile(r '([a-z]+) ([a-z]+)' , re.I)   # re.I 表示忽略大小写

>> > m = pattern.match( 'Hello World Wide Web' )

>> > print m                               # 匹配成功，返回一个 Match 对象

<_sre.SRE_Match object at 0x10bea83e8 >

>> > m.group( 0 )                            # 返回匹配成功的整个子串

'Hello World'

>> > m.span( 0 )                             # 返回匹配成功的整个子串的索引

( 0 , 11 )

>> > m.group( 1 )                            # 返回第一个分组匹配成功的子串

'Hello'

>> > m.span( 1 )                             # 返回第一个分组匹配成功的子串的索引

( 0 , 5 )

>> > m.group( 2 )                            # 返回第二个分组匹配成功的子串

'World'

>> > m.span( 2 )                             # 返回第二个分组匹配成功的子串

( 6 , 11 )

>> > m.groups()                            # 等价于 (m.group(1), m.group(2), ...)

( 'Hello' , 'World' )

>> > m.group( 3 )                            # 不存在第三个分组

Traceback (most recent call last):

File "<stdin>" , line 1 , in < module >

IndexError:

no such group

search 方法

search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找全部匹配的结果，它的通常使用形式以下：

search ( string [, pos[, endpos] ])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，若是没有匹配上，则返回 None。

让咱们看看例子：

>> > import re

>> > pattern = re.compile( '\d+' )

>> > m = pattern.search( 'one12twothree34four' )  # 这里若是使用 match 方法则不匹配

>> > m

<_sre.SRE_Match object at 0x10cc03ac0 >

>> > m.group()

'12'

>> > m = pattern.search( 'one12twothree34four' , 10 , 30 )  # 指定字符串区间

>> > m

<_sre.SRE_Match object at 0x10cc03b28 >

>> > m.group()

'34'

>> > m.span()

( 13

,

15

)

再来看一个例子：

# -*- coding: utf-8 -*-

import

re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(

r'\d+'

)

# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None

# 这里使用 match() 没法成功匹配

m = pattern.search(

'hello 123456 789'

)

if m:

# 使用 Match 得到分组信息

print 'matching string:' ,m.group()

print

'position:'

,m.span()

执行结果：

matching string : 123456

position: ( 6

,

12

)

findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，咱们须要搜索整个字符串，得到全部匹配的结果。

findall 方法的使用形式以下：

findall ( string [, pos[, endpos] ])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回所有能匹配的子串，若是没有匹配，则返回一个空列表。

看看例子：

import re

pattern = re.compile( r'\d+' )   # 查找数字

result1 = pattern.findall( 'hello 123456 789' )

result2 = pattern.findall( 'one1two2three3four4' , 0

,

10

)

print result1

print

result2

执行结果：

[' 123456 ', ' 789 ']

[' 1

', '

2

']

finditer 方法

finditer 方法的行为跟 findall 的行为相似，也是搜索整个字符串，得到全部匹配的结果。但它返回一个顺序访问每个匹配结果（Match 对象）的迭代器。

看看例子：

# -*- coding: utf-8 -*-

import re

pattern = re.compile( r'\d+' )

result_iter1 = pattern.finditer( 'hello 123456 789' )

result_iter2 = pattern.finditer( 'one1two2three3four4' , 0

,

10

)

print type(result_iter1)

print

type(result_iter2)

print 'result1...'

for m1 in result_iter1:   # m1 是 Match 对象

print

'matching string: {}, position: {}'

.format(m1.group(), m1.span())

print 'result2...'

for m2 in result_iter2:

print

'matching string: {}, position: {}'

.format(m2.group(), m2.span())

执行结果：

<type 'callable-iterator' >

<type 'callable-iterator' >

result1...

matching string : 123456 , position: ( 6 , 12 )

matching string : 789 , position: ( 13 , 16 )

result2...

matching string : 1 , position: ( 3 , 4 )

matching string : 2 , position: ( 7

,

8

)

split 方法

split 方法按照可以匹配的子串将字符串分割后返回列表，它的使用形式以下：

split (string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将所有分割。

看看例子：

import re

p = re.compile( r'[\s\,\;]+' )

print

p.split(

'a,b;; c   d'

)

执行结果：

['a', 'b', 'c', 'd']

sub 方法

sub 方法用于替换。它的使用形式以下：

sub(repl, string[, count ])

其中，repl 能够是字符串也能够是一个函数：

• 若是 repl 是字符串，则会使用 repl 去替换字符串每个匹配的子串，并返回替换后的字符串，另外，repl 还可使用 \id 的形式来引用分组，但不能使用编号 0；

• 若是 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。

count 用于指定最多替换次数，不指定时所有替换。

看看例子：

import re

p = re.compile( r'(\w+) (\w+)' )

s =

'hello 123, hello 456'

def func (m) :

return 'hi' + ' '

+ m.group(

2

)

print p.sub( r'hello world' , s)  # 使用 'hello world' 替换 'hello 123' 和 'hello 456'

print p.sub( r'\2 \1' , s)        # 引用分组

print p.sub(func, s)

print p.sub(func, s, 1

)        

# 最多替换一次

执行结果：

hello world, hello world

123 hello, 456 hello

hi 123 , hi 456

hi 123

, hello

456

subn 方法

subn 方法跟 sub 方法的行为相似，也用于替换。它的使用形式以下：

subn(repl, string[, count ])

它返回一个元组：

(sub(repl, string[, count ]), 替换次数)

元组有两个元素，第一个元素是使用 sub 方法的结果，第二个元素返回原字符串被替换的次数。

看看例子：

import re

p = re.compile( r'(\w+) (\w+)' )

s =

'hello 123, hello 456'

def func (m) :

return 'hi' + ' '

+ m.group(

2

)

print p.subn( r'hello world' , s)

print p.subn( r'\2 \1' , s)

print p.subn(func, s)

print

p.subn(func, s,

1

)

执行结果：

( 'hello world, hello world' , 2 )

( '123 hello, 456 hello' , 2 )

( 'hi 123, hi 456' , 2 )

( 'hi 123, hello 456'

,

1

)

其余函数

事实上，使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的，但在使用上有细微差异。

match 函数

match 函数的使用形式以下：

re .match ( pattern , string [, flags] ):

其中，pattern 是正则表达式的字符串形式，好比 \d+ ,  [a-z]+ 。

而 Pattern 对象的 match 方法使用形式是：

match ( string [, pos[, endpos] ])

能够看到，match 函数不能指定字符串的区间，它只能搜索头部，看看例子：

import re

m1 = re.match( r'\d+' , 'One12twothree34four' )

if m1:

print 'matching string:' ,m1.group()

else :

print

'm1 is:'

,m1

m2 = re.match( r'\d+' , '12twothree34four' )

if m2:

print 'matching string:' , m2.group()

else :

print

'm2 is:'

,m2

执行结果：

m1 is : None

matching string:

12

search 函数

search 函数的使用形式以下：

re .search ( pattern , string [, flags] )

search 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 search 方法相似。

findall 函数

findall 函数的使用形式以下：

re .findall ( pattern , string [, flags] )

findall 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 findall 方法相似。

看看例子：

import re

print re.findall( r'\d+' , 'hello 12345 789' )

# 输出

[ '12345'

,

'789'

]

finditer 函数

finditer 函数的使用方法跟 Pattern 的 finditer 方法相似，形式以下：

re .finditer ( pattern , string [, flags] )

split 函数

split 函数的使用形式以下：

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

sub 函数

sub 函数的使用形式以下：

re .sub ( pattern , repl , string [, count] )

subn 函数

subn 函数的使用形式以下：

re .subn ( pattern , repl , string [, count] )

到底用哪一种方式

从上文能够看到，使用 re 模块有两种方式：

• 使用 re.compile 函数生成一个 Pattern 对象，而后使用 Pattern 对象的一系列方法对文本进行匹配查找；

• 直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找；

下面，咱们用一个例子展现这两种方法。

先看第 1 种用法：

import re

# 将正则表达式先编译成 Pattern 对象

pattern = re.compile(

r'\d+'

)

print pattern.match( '123, 123' )

print pattern.search( '234, 234' )

print

pattern.findall(

'345, 345'

)

再看第 2 种用法：

import re

print re.match( r'\d+' , '123, 123' )

print re.search( r'\d+' , '234, 234' )

print re.findall( r'\d+'

,

'345, 345'

)

若是一个正则表达式须要用到屡次（好比上面的 \d+ ），在多种场合常常须要被用到，出于效率的考虑，咱们应该预先编译该正则表达式，生成一个 Pattern 对象，再使用该对象的一系列方法对须要匹配的文件进行匹配；而若是直接使用 re.match, re.search 等函数，每次传入一个正则表达式，它都会被编译一次，效率就会大打折扣。

所以，咱们推荐使用第 1 种用法。

匹配中文

在某些状况下，咱们想匹配文本中的汉字，有一点须要注意的是， 中文的 unicode 编码范围 主要在  [\u4e00-\u9fa5] ，这里说主要是由于这个范围并不完整，好比没有包括全角（中文）标点，不过，在大部分状况下，应该是够用的。

假设如今想把字符串 title = u'你好，hello，世界' 中的中文提取出来，能够这么作：

# -*- coding: utf-8 -*-

import re

title = u'你好，hello，世界'

pattern = re.compile( ur'[\u4e00-\u9fa5]+' )

result = pattern.findall(title)

print result

注意到，咱们在正则表达式前面加上了两个前缀 ur ，其中  r 表示使用原始字符串， u 表示是 unicode 字符串。

执行结果:

[ u'\u4f60\u597d' , u'\u4e16\u754c' ]

贪婪匹配

在 Python 中，正则匹配默认是 贪婪匹配 （在少数语言中多是非贪婪），也就是匹配尽量多的字符 。

好比，咱们想找出字符串中的全部 div 块：

import re

content = 'aa<div>test1</div>bb<div>test2</div>cc'

pattern = re.compile( r'<div>.*</div>' )

result = pattern.findall(content)

print result

执行结果：

[' < div > test1 </ div > bb < div > test2 </ div > ']

因为正则匹配是贪婪匹配，也就是尽量多的匹配，所以，在成功匹配到第一个</div> 时，它还会向右尝试匹配，查看是否还有更长的能够成功匹配的子串。

若是咱们想非贪婪匹配，能够加一个 ? ，以下：

import re

content = 'aa<div>test1</div>bb<div>test2</div>cc'

pattern = re.compile( r'<div>.*?</div>' )    # 加上 ?

result = pattern.findall(content)

print result

结果：

[' < div > test1 </ div > ', ' < div > test2 </ div > ']

小结

re 模块的通常使用步骤以下：

• 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象；

• 经过 Pattern 对象提供的一系列方法对文本进行匹配查找，得到匹配结果（一个 Match 对象）；

• 最后使用 Match 对象提供的属性和方法得到信息，根据须要进行其余的操做；

Python 的正则匹配默认是贪婪匹配。