【python】正则表达式

参考资料：http://deerchao.net/tutorials/regex/regex.htm

1、正则表达式基础

2、python 正则表达式

1、正则表达式基础

元字符：

其他语法：

    （1）字符转义

           如果你想查找元字符本身的话，比如你查找.,或者*,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时你就得使用\来取消这些字符的特殊意义。因此，你应该使用\.和\*。当然，要查找\本身，你也得用\\.

例如C:\\Windows 匹配C:\Windows

   （2）分组——用小括号来指定子表达式(也叫做分组)

           例如：(\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式，\d{1,3}匹配1到3位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})。不幸的是，它也将匹配256.300.888.999这种不可能存在的IP地址。选择，字符类来描述一个正确的IP地址为：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

    （3）贪婪与懒惰

            当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

           有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

2、python正则表达式

实例:1：（search和match与sub）

# encoding:utf-8
'''
Created on 2014-6-18

@author: Administrator
'''
import re

class Regex(object):
    def regex_match(self):
        pattern = "\w+@\w+.*(\w+)\.com"  # 匹配邮箱
        mt = re.match(pattern, "luosongchao@xxx.yyy.xadad.com")
        if mt:
            print mt.group()
            print mt.groups()
        else:
            print "no match"
        
    def regex_search(self):
        mt = re.search(r"\Bl(.?){2}", "hello world!")
        if mt:
            print mt.group()
        else:
            print "no match"
            
    def regex_sub(self):
        ret = re.sub("X", "Mr Smith", "attention:X\n\nDear X,\n")
        print ret
        ret = re.subn("X", "Mr Smith", "attention:X\n\nDear X,\n")
        print ret
        
if __name__ == "__main__":
    regex = Regex()
    regex.regex_match()
    regex.regex_search()
    regex.regex_sub()

结果：

结论：

       match：从字符串开头开始对模式进行匹配，成功返回匹配对象，否则返回None

       search：在字符串string中搜索正则表达式模式pattern第一次出现的字符串

       sub：把字符串中匹配正则表达式pattern的地方替换为新字符串

 

实例2：（split）

# encoding:utf-8
'''
Created on 2014-6-18

@author: Administrator
'''

import re
class RegexLs(object):
    """使用正则表达式解析Unix命令ls -al的结果"""
    
    def __init__(self, path):
        try:
            self.fl = open(path)
        except Exception :
            print "文件" + path + "打开出错！"

    def analy_file(self):
        pattern = "\s+|\t"
        for line in self.fl:
            print re.split(pattern, line.strip())

    def __del__(self):
        self.fl.close()


if __name__ == "__main__":
    path = "ls.txt"
    regex_ls = RegexLs(path)
    regex_ls.analy_file()

其中Unix命令：ls –al    生成结果格式：

 

结论：

      split，根据正则表达式pattern中的分隔符把字符串string分隔为一个列表

 

实例3：（惰性匹配）

# encoding:utf-8
'''
Created on 2014-6-18

@author: Administrator
'''
from random import randint, choice
from sys import maxint
from time import ctime
from string import lowercase
import re

class RegexExample(object):
    def __init__(self):
        self.doms = ('com', 'edu', 'net', 'org', 'gov')
        self.format_list = []
        
    def get_string(self):
        for i in range(randint(5, 10)):
            dtint = randint(0, maxint - 1)
            dtstr = ctime(dtint)
            shorter = randint(4, 7)
            
            em = ""
            for j in range(shorter):
                em += choice(lowercase)
            
            longer = randint(shorter, 12)
            dn = ""
            for j in range(longer):
                dn += choice(lowercase)
            
            string = "%s::%s@%s.%s::%d-%d-%d" % (dtstr, em, dn, choice(self.doms), dtint, shorter, longer)
#             print string
            self.format_list.append(string)
            
    def get_last(self):
        pattern = ".+?(\d+-\d+-\d+)"
        for elem in self.format_list:
            print elem
            ps = re.search(pattern, elem)
            if ps:
                print ps.group(1)
            
if __name__ == "__main__":
    example = RegexExample()
    example.get_string()
    
    print "#"*40
    
    example.get_last()

 

执行结果：

 

结论：

      get_last()函数使用的pattern=”.*?（\d-\d-\d）”执行的是惰性匹配，其中（\d-\d-\d)为分组