python正则表达式
python表达式匹配过程:
正则表达式引擎编译正则表达式文本得到正则表达式对象,然后正则表达式对象与要匹配的文本匹配,得到匹配结果,如匹配得到的文本,分组以及在文本中索引。
正则表达式元字符:
数量词的贪婪模式与非贪婪模式:
正则表达式通常用于查找文本中要匹配的字符串。python正则表达式中的的数量词默认情况下是贪婪的(少数语言中是非贪婪的),总是尝试匹配尽可能多的字符,非贪婪则相反,总是尝试匹配尽可能少的字符。例如:正则表达式'ab*'匹配'abbbbc'匹配到的字符串为'abbbb',如果正则表达式为'ab*?',则在匹配'abbbbc'时,匹配到到的内容为'a'(因为'*+?')正则表达式变为非贪婪模式。
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。
re模块
Pythont通过re模块提供对正则表达式的支持。使用re的一般步骤是现将正字表达式的文本编译成Patten实例,然后使用Patten实例处理文本并获得匹配结果(一个Math实例),最后使用Math实例活的信息,并进行其他操作。
# 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(strPatten[,flag])
这个方法称之为Patten类的工厂方法,用于将字符串形式的正则表达式编译为patten对象。第二个参数flag为匹配模式,可以使用按位或运算符‘|’表示式同时生效,比如re.M|re.I。re.compile('patten',re.M|re.I)与re.compile('(?im)patten')效果相同。
常见的匹配模式有:
re.I:忽略大小写
re.M:多行模式匹配
re.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。
import re m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!') print(m.string) print(m.group(1,2)) print(m.groups()) print(m.groupdict()) print(m.start(1)) print(m.end(2)) print(m.span(3)) print(m.expand(r'\2 \3\g<1>0000000 ')) #返回如下: ''' hello world! ('hello', 'world') ('hello', 'world', '!') {'sign': '!'} 0 11 (11, 12) world !hello0000000 '''
pattern
patten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,只能通过re.compile()进行构造。
pattern 提供的几个可读属性用户获取表达式的相关信息。
1、pattern:编译时的表达式字符串。
2、flags:编译时使用的匹配模式,数字形式。
3、groups:表达式中的分组数量。
4、groupindex:以表达式中有别名的组的别名为键,以改组对应的编号为值的字典,没有别名的组不包含在内。
import re p=re.compile(r'(\w+)(\w+)(?P<id>.*)',re.DOTALL) print(p.pattern) print(p.flags) print(p.groups) print(p.groupindex) #返回如下: ''' (\w+)(\w+)(?P<id>.*) 48 3 {'id': 3 '''
pattern的方法:
- 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。-
# 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
3、split(string[,maxsplit])|re.split(pattern,string[,maxsplit])
将pattern作为分隔符,分割string,分割后返回列表import re p = re.compile(r'\d+') print p.split('one1two2three3four4') ### output ### # ['one', 'two', 'three', 'four', '']
4、findall,找到所有的匹配对象,返回一个列表
import re p = re.compile(r'\d+') print p.findall('one1two2three3four4') ### output ### # ['1', '2', '3', '4']
5、finditer,找到所有匹配对象,按顺序返回一个所有匹配对象的迭代器
import re p = re.compile(r'\d+') for m in p.finditer('one1two2three3four4'): print m.group(), ### output ### # 1 2 3 4
6、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。import 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!
7.subn(repl,string[,count])|subn(pattern,repl,string[,count])
返回(sub(repl,string[,count])|re.sub(pattern,repl,string[,count]))替换次数
-