注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

郁夫的博客

我爱你们,只是你们不知道!

 
 
 

日志

 
 
 
 

Python正则表达式指南 - AstralWind - 博客园  

2011-06-27 16:41:44|  分类: 默认分类 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

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

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:
Python正则表达式指南 - AstralWind - 博客园 - 郁夫 - 郁夫的博客

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:  
Python正则表达式指南 - AstralWind - 博客园 - 郁夫 - 郁夫的博客

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"。

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。

01# encoding: UTF-8
02import re
04# 将正则表达式编译成Pattern对象
05pattern = re.compile(r'hello')
07# 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None
08match = pattern.match('hello world!')
10if match:
11
12print match.group()
14### 输出 ###
15# hello

re.compile(strPattern[, flag]):

1a = re.compile(r"""\d +  # the integral part
2\.    # the decimal point
3\d *  # some fractional digits""", re.X)
4b = 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:

1m = re.match(r'hello', 'hello world!')
2print 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:

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。 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。
01import re
02m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
04print "m.string:", m.string
05print "m.re:", m.re
06print "m.pos:", m.pos
07print "m.endpos:", m.endpos
08print "m.lastindex:", m.lastindex
09print "m.lastgroup:", m.lastgroup
11print "m.group(1,2):", m.group(1, 2)
12print "m.groups():", m.groups()
13print "m.groupdict():", m.groupdict()
14print "m.start(2):", m.start(2)
15print "m.end(2):", m.end(2)
16print "m.span(2):", m.span(2)
17print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')
19### output ###
20# m.string: hello world!
21# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
22# m.pos: 0
23# m.endpos: 12
24# m.lastindex: 3
25# m.lastgroup: sign
26# m.group(1,2): ('hello', 'world')
27# m.groups(): ('hello', 'world', '!')
28# m.groupdict(): {'sign': '!'}
29# m.start(2): 6
30# m.end(2): 11
31# m.span(2): (6, 11)
32# 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:

01import re
02p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
04print "p.pattern:", p.pattern
05print "p.flags:", p.flags
06print "p.groups:", p.groups
07print "p.groupindex:", p.groupindex
09### output ###
10# p.pattern: (\w+) (\w+)(?P<sign>.*)
11# p.flags: 16
12# p.groups: 3
13# 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。
01# encoding: UTF-8 
02import re 
04# 将正则表达式编译成Pattern对象 
05pattern = re.compile(r'world') 
07# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None 
08# 这个例子中使用match()无法成功匹配 
09match = pattern.search('hello world!') 
11if match: 
12# 使用Match获得分组信息 
13print match.group() 
15### 输出 ### 
16# 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。
1import re
3p = re.compile(r'\d+')
4print p.split('one1two2three3four4')
6### output ###
7# ['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。
1import re
3p = re.compile(r'\d+')
4print p.findall('one1two2three3four4')
6### output ###
7# ['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。
1import re
3p = re.compile(r'\d+')
4for m in p.finditer('one1two2three3four4'):
5print m.group(),
7### output ###
8# 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。
01import re
03p = re.compile(r'(\w+) (\w+)')
04s = 'i say, hello world!'
06print p.sub(r'\2 \1', s)
08def func(m):
09return m.group(1).title() + ' ' + m.group(2).title()
11print p.sub(func, s)
13### output ###
14# say i, world hello!
15# I Say, Hello World!
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
01import re
03p = re.compile(r'(\w+) (\w+)')
04s = 'i say, hello world!'
06print p.subn(r'\2 \1', s)
08def func(m):
09return m.group(1).title() + ' ' + m.group(2).title()
11print p.subn(func, s)
13### output ###
14# ('say i, world hello!', 2)
15# ('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


发表评论
此文实在是太好了,我转载了,点击率超级高啊,打破了历史水平啊!高的我都不好意思啊!我只是想收藏此精彩文章,没有其他的意思。

邮箱:(仅博主可见)

[使用Ctrl+Enter键快速提交评论]




引文来源  Python正则表达式指南 - AstralWind - 博客园
  评论这张
 
阅读(425)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017