python模块系列之 - re

python中的re模块主要用于对字符串的正则匹配,常见的方法有一下几个：

1. match

 match(regular,str)  从字符串第一个开始找,开头找到就返回结果，没有就返回None，后面即使有也找不到。

def match():
    str1 = "adcd123T"
    match_result_1 = re.match("\d+", str1)
    print(match_result_1)  # 开头没有，所以返回None

    str2 = "444abc123"
    match_result_2 = re.match("\d+", str2)
    if match_result_2:
        print(match_result_2.group())  # 开头找到444，返回444

match()

2.search

search(regular,str) 从开头开始找，找整个string，开头找到就返回，没有就一直找，直到找到返回结果，整个串都没有就返回None

def search():
    str1 = "adcd123T"
    search_result_1 = re.search("\d+", str1)
    if search_result_1:
        print(search_result_1.group())  # 123

search() 

对于以上两个方法match、search返回的结果为一个正则的对象(_sre.SRE_Match object),要获取匹配的字符串结果，必须调用group()方法来获取, 但如果匹配不到时,调用group()会返回 AttributeError 错误

其它方法：

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

def match():
    str2 = "444abc123"
    match_result_2 = re.match("\d+", str2)
    if match_result_2:
        print("type of result:",match_result_2)
        print("group():",match_result_2.group())
        print("start():{0}\nend():{1}".format(match_result_2.start(),match_result_2.end()))  # 开头找到444，返回444
        print("span():",match_result_2.span())

match()
type of result: <_sre sre_match="" object="" span="(0," 3="" match="444">
group(): 444
start():0
end():3
span(): (0, 3)

3.fullmatch

fullmatch(str,[,start,end] 和match类似,但必须完全匹配才返回值,可以指定字符串的一段位置类匹配

pattern = re.compile("o[gh]")
print(pattern.fullmatch("dog"))     # 返回None,没有og|oh开头
print(pattern.fullmatch("ohr"))     # 返回None,不是整串完全匹配，虽然有Oh开头，但是还包含字母r
print(pattern.fullmatch("og"))      # 返回og，完全匹配
print(pattern.fullmatch("doggie", 1, 3))  # 返回og,相当于匹配 "doggid"[1:3]=”og"，完全匹配

3.findall

 findall(regular,str) 获取全部的匹配字符，返回一个所有匹配字符串的列表

def findall():
    str1 = "444abcddk12sdf98adsf000"
    findall_result = re.findall("\d+",str1)
    print(findall_result)   # ['444', '12', '98', '000']

findall()

4.findfilter

findfilter(regular,str) 与findall类似，只是findfilter返回的是一个迭代器

def find_filter():
    str1 = "444abcddk12sdf98adsf000"
    findfilter = re.finditer("\d+",str1)
    for i in findfilter:
        print(i.group())
444
12
98
100

5.split

split(regular,str[,maxsplit])  字符串分割, str.split只能按照某个分隔符分割,  正则的分割可以按照某个规则分割. 

def re_split():
    str1 ="iii444abcddk12sdf98adsf000ppp"
    re_split_result = re.split('\d+',str1,maxsplit=0)
    print(re_split_result)  # ['iii', 'abcddk', 'sdf', 'adsf', 'ppp']

    re_split_result = re.split('\d+',str1,maxsplit=2)
    print(re_split_result)  # ['iii', 'abcddk', 'sdf98adsf000ppp']

re_split()

maxsplit 参数指定匹配规则的次数,默认为0 匹配所有. 如上例所示,当maxspit为2是，则仅匹配到444,12 用这个2个字符串分隔，将整个字符串分割为3个子串

6.compile

compile(regular) 对正则表达式进行编译，生成一个object对象.然后再进行匹配,而传统re方法是每次在匹配的时候编译。通过compile先编译对于需要重复进行多次匹配的时候执行效率要比每次都编译高。

def re_compile():
    str1 = "aaaa4444bbbb"
    r = re.compile("\d+")
    result = r.search(str1)
    print(result.group())

re_compile() # 4444

7.分组()

除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（Group）。

比如： ^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：

m = re.match('^(\d{3})-(\d{3,8})$', '010-12345')
print(m)
print("group(0):",m.group(0))  # group(0): 010-12345
print("group(1):",m.group(1))  # group(1): 010
print("group(2):",m.group(2))  # group(2): 12345

print("groups():", m.groups(0)) # groups(): ('010', '12345')

如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。 

注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。

用 groups(0） 将返回一个元组

8.regex.groups

将通过分组的结果返回成一个字典形式

m1 = re.match('^(?P\d{3})-(?P\d{3,8})$', '010-12345')
print(m1)
print("groupdict():", m1.groupdict(0))  # groupdict(): {'are': '010', 'number': '12345'}

9.sub

sub(regular,replacestr,str[,count]) sub将根据正则表达式找到的字符串用新串替换，返回结果为字符串

regular: 正则表达式

replacestr:替换的字符串

str: 源字符串

count: 可选，默认为0.表示要替换的个数。比如匹配到3个，如果count=2，则只替换前2个

str1 = "aaa123bbb444ddddd4453434"
a = re.findall("\d+",str1)     # 找到3个匹配字符串 ['123', '444', '4453434']
print(a)
b = re.sub("\d+","---",str1)     # 全部替换 aaa---bbb---ddddd---
c = re.sub("\d+","+++",str1,2)  # 只替换2个 aaa+++bbb+++ddddd4453434
print(b)
print(c)

10 subn

subn 与sub一样，只是返回结果为由 一个字符串和替换的个数的元组 如：('aaa---bbb---ddddd---', 3)

正则匹配

元字符	描述
\	将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如，“\\n”匹配\n。“\n”匹配换行符。序列“\\”匹配“\”而“\(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。
^	匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性，^也匹配“\n”或“\r”之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“\n”或“\r”之前的位置。
*	匹配前面的子表达式任意次。例如，zo*能匹配“z”，“zo”以及“zoo”。*等价于{0,}。
+	匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?”可以匹配“do”或“does”中的“do”。?等价于{0,1}。
{n}	n是一个非负整数。匹配确定的n次。例如，“o{2}”不能匹配“Bob”中的“o”，但是能匹配“food”中的两个o。
{n,}	n是一个非负整数。至少匹配n次。例如，“o{2,}”不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。
{n,m}	m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，“o{1,3}”将匹配“fooooood”中的前三个o。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符（*,+,?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo”，“o+?”将匹配单个“o”，而“o+”将匹配所有“o”。
.点	匹配除“\r\n”之外的任何单个字符。要匹配包括“\r\n”在内的任何字符，请使用像“[\s\S]”的模式。
(pattern)	匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“\(”或“\)”。
(?:pattern)	非获取匹配，匹配pattern但不获取匹配结果，不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分是很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。
(?=pattern)	非获取匹配，正向肯定预查，在任何匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如，“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	非获取匹配，正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。
(?<=pattern)	非获取匹配，反向肯定预查，与正向肯定预查类似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。
(?	非获取匹配，反向否定预查，与正向否定预查类似，只是方向相反。例如“(?
x|y	匹配x或y。例如，“z|food”能匹配“z”或“food”或"zood"(此处请谨慎)。“(z|f)ood”则匹配“zood”或“food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如，“[abc]”可以匹配“plain”中的“a”。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如，“[^abc]”可以匹配“plain”中的“plin”。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。 注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。
\B	匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\cx	匹配由x指明的控制字符。例如，\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“c”字符。
\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]。
\f	匹配一个换页符。等价于\x0c和\cL。
\n	匹配一个换行符。等价于\x0a和\cJ。
\r	匹配一个回车符。等价于\x0d和\cM。
\s	匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何可见字符。等价于[^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于\x09和\cI。
\v	匹配一个垂直制表符。等价于\x0b和\cK。
\w	匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。
\W	匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。
\xn	匹配n，其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。
\num	匹配num，其中num是一个正整数。对所获取的匹配的引用。例如，“(.)\1”匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式，则nm为向后引用。如果\nm之前至少有n个获取，则n为一个后跟文字m的向后引用。如果前面的条件都不满足，若n和m均为八进制数字（0-7），则\nm将匹配八进制转义值nm。
\nml	如果n为八进制数字（0-7），且m和l均为八进制数字（0-7），则匹配八进制转义值nml。
\un	匹配n，其中n是一个用四个十六进制数字表示的Unicode字符。例如，\u00A9匹配版权符号（©）。
\< \>	匹配词（word）的开始（\<）和结束（\>）。例如正则表达式\能够匹配字符串"for the wise"中的"the"，但是不能匹配字符串"otherwise"中的"the"。注意：这个元字符不是所有的软件都支持的。
\( \)	将 \( 和 \) 之间的表达式定义为“组”（group），并且将匹配这个表达式的字符保存到一个临时区域（一个正则表达式中最多可以保存9个），它们可以用 \1 到\9 的符号来引用。
|	将两个匹配条件进行逻辑“或”（Or）运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her"，但是不能匹配"it belongs to them."。注意：这个元字符不是所有的软件都支持的。
+	匹配1或多个正好在它之前的那个字符。例如正则表达式9+匹配9、99、999等。注意：这个元字符不是所有的软件都支持的。
?	匹配0或1个正好在它之前的那个字符。注意：这个元字符不是所有的软件都支持的。
{i} {i,j}	匹配指定数目的字符，这些字符是在它之前的表达式定义的。例如正则表达式A[0-9]{3} 能够匹配字符"A"后面跟着正好3个数字字符的串，例如A123、A348等，但是不匹配A1234。而正则表达式[0-9]{4,6} 匹配连续的任意4个、5个或者6个