Python_11-正则表达式
目录：
1.1 引言
1.2 python 正则式概述及常用字符
1.2.1 元字符
1.2.2 用 "" 开始的特殊字符所表示的预定义字符集
1.2.3 重复元字符
1.3 正则表达式修饰符 - 可选标志
1.3.1 RegexObject(re)对象常用方法
1.4 正则表达式实例
1.5 re.match函数
1.6 re.search方法
1.7 re.match与re.search的区别
1.8 检索和替换
1.8.1 MatchObject对象的常用方法
1.8.2 split方法
1.1 引言
正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。Python 自1.5版本起增加了re 模块，它提供 Perl 风格的正则表达式模式。
re 模块使 Python 语言拥有全部的正则表达式功能。
compile 函数根据一个模式字符串和可选的标志参数生成一个正则表达式对象。该对象拥有一系列方法用于正则表达式匹配和替换。
re 模块也提供了与这些方法功能完全一致的函数，这些函数使用一个模式字符串做为它们的第一个参数。
1.2 python 正则式概述及常用字符
1.2.1 元字符
它匹配除了换行字符外的任何字符，在 alternate 模式（re.DOTALL）下它甚至可以匹配换行
^ 匹配行首。除非设置 MULTILINE 标志，它只是匹配字符串的开始。
$ 匹配行尾，行尾被定义为要么是字符串尾，要么是一个换行字符后面的任何位置。
* 重复0或N次
+ 重复1或N次
? 重复0或1次
{m,n} 该限定符的意思是至少有 m 个重复，至多到 n 个重复
[] 它们常用来指定一个字符类别，所谓字符类别就是你想匹配的一个字符集
\ 反斜杠后面可以加不同的字符以表示不同特殊意义。它也可以用于取消所有的元字符，这样你就可以在模式中匹配它们了
| 可选项，或者 "or" 操作符。
() 一般情况下表示一个记忆组 (remembered group)。你可以利用 re.search 函数返回对象的 groups() 函数获取它的值
举例：
[akm$]
将匹配字符"a", "k", "m", 或 "$" 中的任意一个；"$"通常用作元字符，但在字符类别里，其特性被除去，恢复成普通字符。
1.2.2 用 "\" 开始的特殊字符所表示的预定义字符集
\d 匹配任何十进制数；它相当于类 [0-9]。
\D 匹配任何非数字字符；它相当于类 [^0-9]。
\s 匹配任何空白字符；它相当于类 [ \t\n\r\f\v]。
\S 匹配任何非空白字符；它相当于类 [^\t\n\r\f\v]。
\w 匹配任何字母数字字符；它相当于类 [a-zA-Z0-9_]。
\W 匹配任何非字母数字字符；它相当于类 [^a-zA-Z0-9_]。
\A 只匹配字符串首。当不在 MULTILINE 模式，\A 和 ^ 实际上是一样的。然而，在 MULTILINE 模式里它们是不同的；\A 只是匹配字符串首，而 ^ 还可以匹配在换行符之后字符串的任何位置。
\Z 只匹配字符串尾。
\b 单词边界。这是个零宽界定符（zero-width assertions）只用以匹配单词的词首和词尾。单词被定义为一个字母数字序列，因此词尾就是用空白符或非字母数字符来标示的。
\B 另一个零宽界定符（zero-width assertions），它正好同 \b 相反，只在当前位置不在单词边界时匹配。
特殊字符类
|
实例 |
描述 |
|
. |
匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使用象 '[.\n]' 的模式。 |
|
\d |
匹配一个数字字符。等价于 [0-9]。 |
|
\D |
匹配一个非数字字符。等价于 [^0-9]。 |
|
\s |
匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 |
|
\S |
匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。 |
|
\w |
匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。 |
|
\W |
匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。 |
1.2.3 重复元字符
* 重复0或N次
+ 重复1或N次
? 重复0或1次
{m,n}，其中 m 和 n 是十进制整数。该限定符的意思是至少有 m 个重复，至多到 n 个重复
1.3 正则表达式修饰符 - 可选标志
正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：
|
修饰符 |
描述 |
|
re.I |
使匹配对大小写不敏感 |
|
re.L |
做本地化识别（locale-aware）匹配 |
|
re.M |
多行匹配，影响 ^ 和 $ |
|
re.S |
使 . 匹配包括换行在内的所有字符 |
|
re.U |
根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B. |
|
re.X |
该标志通过给予你更灵活的格式以便你将正则表达式 |
DOTALL, S 使 . 匹配包括换行在内的所有字符
IGNORECASE, I 使匹配对大小写不敏感
LOCALE, L 做本地化识别（locale-aware）匹配
MULTILINE, M 多行匹配，影响 ^ 和 $
VERBOSE, X 能够使用 REs 的 verbose 状态，使之被组织得更清晰易懂
1.3.1 RegexObject(re)对象常用方法
match() 决定 RE 是否在字符串刚开始的位置匹配
从开始位置开始匹配
search() 扫描字符串，找到这个 RE 匹配的位置
任意位置匹配，如果有多个匹配，只返回第一个
findall() 找到 RE 匹配的所有子串，并把它们作为一个列表返回
每次匹配，都是尽量最大匹配。例如：
>>> m = re.compile('abc[bcd]*b')
>>> m.findall('abcbcbcb')
['abcbcbcb']
其实abcbcb也是匹配的abc[bcd]*b的，不过只返回一个最大的匹配值。
finditer() 找到 RE 匹配的所有子串，并把它们作为一个迭代器返回
1.4 正则表达式实例
字符匹配
|
实例 |
描述 |
|
python |
匹配 "python". |
字符类
|
实例 |
描述 |
|
[Pp]ython |
匹配 "Python" 或 "python" |
|
rub[ye] |
匹配 "ruby" 或 "rube" |
|
[aeiou] |
匹配中括号内的任意一个字母 |
|
[0-9] |
匹配任何数字。类似于 [0123456789] |
|
[a-z] |
匹配任何小写字母 |
|
[A-Z] |
匹配任何大写字母 |
|
[a-zA-Z0-9] |
匹配任何字母及数字 |
|
[^aeiou] |
除了aeiou字母以外的所有字符 |
|
[^0-9] |
匹配除了数字外的字符 |
1.5 re.match函数
re.match 尝试从字符串的开始匹配一个模式。
函数语法：
re.match(pattern, string, flags=0)
函数参数说明：
|
参数 |
描述 |
|
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，否则返回None。
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
|
匹配对象方法 |
描述 |
|
group(num=0) |
匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。 |
|
groups() |
返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。 |
例子：
#!/usr/bin/python
import re
line = "Cats are smarter than dogs"
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)
if matchObj:
print( "matchObj.group() : ", matchObj.group())
print( "matchObj.group(1) : ", matchObj.group(1))
print( "matchObj.group(2) : ", matchObj.group(2))
else:
print( "No match!!")
以上实例执行结果如下：
matchObj.group() : Cats are smarter than dogs
matchObj.group(1) : Cats
matchObj.group(2) : smarter
1.6 re.search方法
re.match 尝试从字符串的开始匹配一个模式。
函数语法：
re.search(pattern, string, flags=0)
函数参数说明：
|
参数 |
描述 |
|
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.search方法方法返回一个匹配的对象，否则返回None。
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
|
匹配对象方法 |
描述 |
|
group(num=0) |
匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。 |
|
groups() |
返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。 |
实例：
#!/usr/bin/python
import re
line = "Cats are smarter than dogs"
matchObj = re.search( r'(.*) are (.*?) .*', line, re.M|re.I)
if matchObj:
print( "matchObj.group() : ", matchObj.group())
print( "matchObj.group(1) : ", matchObj.group(1))
print( "matchObj.group(2) : ", matchObj.group(2))
else:
print( "No match!!")
以上实例执行结果如下：
matchObj.group() : Cats are smarter than dogs
matchObj.group(1) : Cats
matchObj.group(2) : smarter
1.7 re.match与re.search的区别
re.match只匹配字符串的开始，如果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。
实例：
#!/usr/bin/python
import re
line = "Cats are smarter than dogs";
matchObj = re.match( r'dogs', line, re.M|re.I)
if matchObj:
print("match --> matchObj.group() : ", matchObj.group())
else:
print("No match!!")
matchObj = re.search( r'dogs', line, re.M|re.I)
if matchObj:
print("search --> matchObj.group() : ", matchObj.group())
else:
print("No match!!")
以上实例运行结果如下：
No match!!
search --> matchObj.group() : dogs
1.8 检索和替换
Python 的re模块提供了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。如果模式没有发现，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 表示替换所有的匹配。
实例：
#!/usr/bin/python
import re
phone = "2004-959-559 # This is Phone Number"
# Delete Python-style comments
num = re.sub(r'#.*$', "", phone)
print("Phone Num : ", num)
# Remove anything other than digits
num = re.sub(r'\D', "", phone)
print("Phone Num : ", num)
以上实例执行结果如下：
Phone Num : 2004-959-559
Phone Num : 2004959559
1.8.1 MatchObject对象的常用方法
group() 返回被 RE 匹配的字符串
start() 返回匹配开始的位置
end() 返回匹配结束的位置
span() 返回一个元组包含匹配 (开始,结束) 的位置
1.8.2 split方法
a.根据正则式划分字符串，可指定最大的划分数
>>> p = re.compile(r'\W+')
>>> p.split('This is a test, short and sweet, of split().')
['This', 'is', 'a', 'test', 'short', 'and', 'sweet', 'of', 'split', '']
b.有时，你不仅对定界符之间的文本感兴趣，也需要知道定界符是什么。
如果捕获括号在 RE 中使用，那么它们的值也会当作列表的一部分返回。比较下面的调用：
>>> p2 = re.compile(r'(\W+)')
['This', '... ', 'is', ' ', 'a', ' ', 'test', '.', '']
