Python正则表达式-2
本文介绍了Python对于正则表达式的支持,包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例。本文的内容不包括如何编写高效的正则表达式、如何优化正则表达式,这些主题请查看其他教程。
注意:本文基于Python2.4完成;如果看到不明白的词汇请记得百度谷歌或维基,whatever。
尊重作者的劳动,转载请注明作者及原文地址 >.<html
最短匹
1. 正则表达式基础
1.1. 简单介绍
正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具,拥有自己独特的语法以及一个独立的处理引擎,效率上可能不如str自带的方法,但功能十分强大。得益于这一点,在提供了正则表达式的语言里,正则表达式的语法都是一样的,区别只在于不同的编程语言实现支持的语法数量不同;但不用担心,不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式,只需要简单看一看就可以上手了。
下图展示了使用正则表达式进行匹配的流程:
正则表达式的大致匹配过程是:依次拿出表达式和文本中的字符比较,如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界,这个过程会稍微有一些不同,但也是很好理解的,看下图中的示例以及自己多使用几次就能明白。
下图列出了Python支持的正则表达式元字符和语法:
1.2. 数量词的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;非贪婪的则相反,总是尝试匹配尽可能少的字符。例如:正则表达式"ab*"如果用于查找"abbbc",将找到"abbb"。而如果使用非贪婪的数量词"ab*?",将找到"a"。
Jeffrey: 我加一点自己做项目过程中遇到的这种匹配方式的理解:
最短匹配:.*? http://deerchao.net/tutorials/regex/regex.htm
假如,我们有以下的代码存放在Test_1.xml中(注意:这里不仅限于xml文件,同样的也适应于其它的任何的文件):我们的
要匹配到原文件中的下列内容
<pre name="code" class="html"><span style="color:#FF0000;"><Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000">
<CapacityParms>
<Category>RESIDENTIALSUBSCRIBER_R2</Category>
<FeatureSetName>R1 FEATURE SET</FeatureSetName>
<OfficeId>ylvJrPbcGgHE</OfficeId>
<CurrentCnt>0</CurrentCnt>
<LimitCnt>0000050</LimitCnt>
<SpareCapacity>0</SpareCapacity>
<TasUnequalDistribution>0</TasUnequalDistribution>
</CapacityParms>
</Response></span>
源文件:
<Request Action="LOGIN" RequestId="100000"><Authentication><ClientName>Administrator</ClientName><Password>5420!Cts</Password></Authentication></Request><?xml version="1.0" encoding="UTF-8"?><Response Status="OKAY" RequestId="100000"><Authentication MajorVersion="28" MinorVersion="0"><ClientName>Administrator</ClientName><Role>ADMINISTRATOR</Role></Authentication></Response><Request Action="UPDATE" RequestId="100000"><CapacityLimit><Category>RESIDENTIALSUBSCRIBER_R2</Category><LockKey>17ylvJrPbcGgHEUPF001n//k/v/n//Xu0P//AAb3rb8H=0000050010</LockKey><SignKey>QDA9s+3HukQn3DyX15otQNaOvEQaEU5skCx0JDPQHJ77/jwYQl0uLQUYlKHZWmwKIhGCGWIuz8nADDtXlJK9VA==</SignKey></CapacityLimit></Request><?xml version="1.0" encoding="UTF-8"?><span style="color:#FF0000;"><Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000"> <CapacityParms><Category>RESIDENTIALSUBSCRIBER_R2</Category><FeatureSetName>R1 FEATURE SET</FeatureSetName><OfficeId>ylvJrPbcGgHE</OfficeId><CurrentCnt>0</CurrentCnt><LimitCnt>0000050</LimitCnt><SpareCapacity>0</SpareCapacity><TasUnequalDistribution>0</TasUnequalDistribution> </CapacityParms></Response></span><Request Action="LOGOFF" RequestId="tll-logoff"><Authentication><ClientName>Administrator</ClientName></Authentication></Request><?xml version="1.0" encoding="UTF-8"?><Response Status="OKAY" RequestId="tll-logoff"><Authentication><ClientName>Administrator</ClientName></Authentication></Response>
这个是我的re_test.py代码文件,这个文件中到了两种匹配方式,当然,只有def re_testsearch()才可以满足我们的要求,因为它是实现的是段落匹配(因为这个里面用了
re.S)
#-*- coding:utf-8 -*-
#最上一句如果不加上的话不能输入汉字,不然编译不过
#/usr/bin/python
import os
import sys
import re
####################################################
# 一行一行的匹配
# 比如Test_2.xml中的内容如下:
# <Response Staus="OKAY" CongLvl="jeffrey">
# <a>test1</a>
# <b>test2</b>
# </Response>
# <Response Staus="OKAY" CongLvl="guan">
# <a>test1</a>
# <b>test2</b>
# </Response>
# <Response Staus="OKAY" CongLvl="zenghui">
# <a>test1</a>
# <b>test2</b>
# </Response>
# <Response Staus="OKAY" CongLvl="jeguan">
# <a>test1</a>
# <b>test2</b>
# </Response>
# 那么匹配后的得到结果为
# <Response Staus="OKAY" CongLvl="jeffrey">
# <Response Staus="OKAY" CongLvl="guan">
# <Response Staus="OKAY" CongLvl="zenghui">
# <Response Staus="OKAY" CongLvl="jeguan">
#
####################################################
def re_test():
# 原文件
filename = r'C:\Users\jeguan\Desktop\Test_2.xml'
# 匹配得到的内容存储在Test_2_bk.xml中
new_file = r'C:\Users\jeguan\Desktop\Test_2_bk.xml'
# 打开原文件
open_file = open(filename, 'r')
read_file = open_file.readlines()
# 打开目标文件,即:存放匹配结果的文件
newfile = open(new_file, 'wb')
# 匹配以<Response开头并且有CongLvl字符串的行,注意,
# 这里是非lazzy匹配,并且是一行一行匹配,即,遇到
# '\n'就会结束
patt = re.compile(r'^<Response.*CongLvl.*')
# 遍历原文件的所有行,如果找到就会存盘
for line in read_file:
match = patt.search(line)
if match:
m = match.group(0)
newfile.write(m)
open_file.close()
newfile.close()
#################################################################################
# 多行匹配,即:可以匹配一个文本中的特定段落。这里主要是要用到re模块中的re.S
# 它表示当用'.'来进行匹配的时候,可以忽略掉'\n',这一点与'.'正常的规则是不一样的
#
# 另外一个要注意的地方是这里使用了Lazzy匹配的方式。当有多个Response>出现的时候,
# 它只会匹配第一次出现的地方。比如:
# <Response Staus="OKAY" CongLvl="jeguan">
# <a>test1</a>
# <b>test2</b>
# </Response>
# <Response Staus="OKAY" CongLvl="zenghuiguan">
# <a>test3</a>
# <b>test4</b>
# </Response>
# 当用lazzy方式的时候,只会匹配到第一次出现Response>的地方
# 本文中匹配得到的结果为:
# <Response Staus="OKAY" CongLvl="jeguan">
# <a>test1</a>
# <b>test2</b>
# </Response>
#
################################################################################
def re_testsearch():
#
filename = r'C:\Users\jeguan\Desktop\Test_2.xml'
new_file = r'C:\Users\jeguan\Desktop\Test_2_bk.xml'
open_file = open(filename, 'r')
read_file = open_file.readlines()
newfile = open(new_file, 'wb')
# re.S means: Make the '.' special character match any character at all,
# including a newline; without this flag, '.' will match anything except a newline.
# '(.+?)' means: this is a greedy match. When the fist 'Response>' is found, then
# it will not try to match the next 'Response>'
<span style="color:#CC0000;">patt = re.compile(r'<Response Status="OKAY" CongLvl="LEVEL0"*(.+?)Response>', <strong>re.S</strong>)</span>
str1 = ""
# 把读出的行放在str1中
for line in read_file:
str1 = str1 + line
match1 = patt.search(str1)
newfile.write(match1.group(0))
print(match1.group())
if __name__ == "__main__":
re_testsearch()
我们用re_testsearch()这个函数来匹配最终的结果如下所示,得到了我们的要求:<Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100
<CapacityParms>
<Category>RESIDENTIALSUBSCRIBER_R2</Category>
<FeatureSetName>R1 FEATURE SET</FeatureSetName>
<OfficeId>ylvJrPbcGgHE</OfficeId>
<CurrentCnt>0</CurrentCnt>
<LimitCnt>0000050</LimitCnt>
<SpareCapacity>0</SpareCapacity>
<TasUnequalDistribution>0</TasUnequalDistribution>
</CapacityParms>
</Response>
但是,如果我们使用re_test()来试图匹配的话,不会得到上面的这个结果,相反,只会找到
<Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000">
上面的代码可以在我的github上找到:https://github.com/double12gzh/PythonLearning
1.3. 反斜杠的困扰
与大多数编程语言相同,正则表达式里使用"\"作为转义字符,这就可能造成反斜杠困扰。假如你需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需要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以使用r"\\"表示。同样,匹配一个数字的"\\d"可以写成r"\d"。有了原生字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。
1.4. 匹配模式
正则表达式提供了一些可用的匹配模式,比如忽略大小写、多行匹配等,这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。
2. re模块
2.1. 开始使用re
Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例,然后使用Pattern实例处理文本并获得匹配结果(一个Match实例),最后使用Match实例获得信息,进行其他的操作。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# encoding: UTF-8 import
re # 将正则表达式编译成Pattern对象 pattern = re. compile (r 'hello' ) # 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None match = pattern.match( 'hello world!' ) if
match: # 使用Match获得分组信息 print match.group() ### 输出 ### # hello |
re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法,用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式,取值可以使用按位或运算符'|'表示同时生效,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)与re.compile('(?im)pattern')是等价的。
可选值有:
- re.I(re.IGNORECASE): 忽略大小写(括号内是完整写法,下同)
- M(MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图)
- S(DOTALL): 点任意匹配模式,改变'.'的行为
- L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
- U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
- X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。以下两个正则表达式是等价的:
1
2
3
4
|
a = re. compile (r """\d + # the integral
part \. # the decimal point \d * # some fractional digits""" , re.X) b = re. compile (r "\d+\.\d*" ) |
re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代,唯一的好处是少写一行re.compile()代码,但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为:
1
2
|
m = re.match(r 'hello' , 'hello world!' ) print
m.group() |
re模块还提供了一个方法escape(string),用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回,在需要大量匹配元字符时有那么一点用。
2.2. Match
Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息。
属性:
- string: 匹配时使用的文本。
- re: 匹配时使用的Pattern对象。
- pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。
- lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。
方法:
- group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。 - groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。 - groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。 - start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。 - end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。 - span([group]):
返回(start(group), end(group))。 - expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组,但不能使用编号0。\id与\g<id>是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符'0',只能使用\g<1>0。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
import
re m = re.match(r '(\w+) (\w+)(?P<sign>.*)' , '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对象是一个编译好的正则表达式,通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化,必须使用re.compile()进行构造。
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import
re p = re. compile (r '(\w+) (\w+)(?P<sign>.*)' ,
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<sign>.*) # p.flags: 16 # p.groups: 3 # p.groupindex: {'sign': 3} |
实例方法[ | re模块方法]:
- match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern;如果pattern结束时仍可匹配,则返回一个Match对象;如果匹配过程中pattern无法匹配,或者匹配未结束就已到达endpos,则返回None。
pos和endpos的默认值分别为0和len(string);re.match()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
注意:这个方法并不是完全匹配。当pattern结束时若string还有剩余字符,仍然视为成功。想要完全匹配,可以在表达式末尾加上边界匹配符'$'。
示例参见2.1小节。 - search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern,如果pattern结束时仍可匹配,则返回一个Match对象;若无法匹配,则将pos加1后重新尝试匹配;直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string));re.search()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。12345678910111213141516# encoding: UTF-8
import
re
# 将正则表达式编译成Pattern对象
pattern
=
re.
compile
(r
'world'
)
# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None
# 这个例子中使用match()无法成功匹配
match
=
pattern.search(
'hello world!'
)
if
match:
# 使用Match获得分组信息
print
match.group()
### 输出 ###
# world
- split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数,不指定将全部分割。1234567import
re
p
=
re.
compile
(r
'\d+'
)
print
p.split(
'one1two2three3four4'
)
### output ###
# ['one', 'two', 'three', 'four', '']
- 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。1234567import
re
p
=
re.
compile
(r
'\d+'
)
print
p.findall(
'one1two2three3four4'
)
### output ###
# ['1', '2', '3', '4']
- finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。12345678import
re
p
=
re.
compile
(r
'\d+'
)
for
m
in
p.finditer(
'one1two2three3four4'
):
print
m.group(),
### output ###
# 1 2 3 4
- sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时,可以使用\id或\g<id>、\g<name>引用分组,但不能使用编号0。
当repl是一个方法时,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,不指定时全部替换。123456789101112131415import
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!
- subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。123456789101112131415import
re
p
=
re.
compile
(r
'(\w+) (\w+)'
)
s
=
'i say, hello world!'
print
p.subn(r
'\2 \1'
, s)
def
func(m):
return
m.group(
1
).title()
+
' '
+
m.group(
2
).title()
print
p.subn(func, s)
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)
以上就是Python对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能,这年头没有不与字符串打交道的程序了。笔者也处于初级阶段,与君共勉,^_^
另外,图中的特殊构造部分没有举出例子,用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下,如何匹配不是以abc开头的单词,^_^
全文结束