Python的正则表达式
Python Regular Expressions （Python 正则表达式）
本文来自于Google Developers中对于Python的介绍。https://developers.google.com/edu/python/regular-expressions。
这篇文章使用 Markdown 写成。
认识正则表达式
Python的正则表达式是使用 re 模块的。
match = re.search(pattern,str)
if match:
print 'found',match.group()
else:
print 'NOT Found!'
正则表达式的规则
基本规则
- a, x, 9 都是普通字符 (ordinary characters)
- . (一个点)可以匹配任何单个字符（除了'\n'）
- \w（小写的w）可以匹配一个单词里面的字母，数字或下划线 [a-zA-Z0-9_];\W （大写的W）可以匹配非单词里的这些元素
- \b 匹配单词与非单词的分界
- \s（小写的s）匹配一个 whitespace character，包括 space，newline，return，tab，form(\n\r\t\f)；\S（大写的S）匹配一个非 whitespace character
- \d 匹配十进制数字 [0-9]
- ^=start，$=end 用来匹配字符串的开始和结束
- \ 是转义字符，用 . 来匹配串里的'.'，等
一些基本的例子
## 在字符串'piiig'中查找'iii'
match = re.search(r'iii', 'piiig') => found, match.group() == "iii"
match = re.search(r'igs', 'piiig') => not found, match == None
## . 匹配除了\n的任意字符
match = re.search(r'..g', 'piiig') => found, match.group() == "iig"
## \d 匹配0-9的数字字符, \w 匹配单词里的字符
match = re.search(r'\d\d\d', 'p123g') => found, match.group() == "123"
match = re.search(r'\w\w\w', '@@abcd!!') => found, match.group() == "abc"
重复
可以用'+' '*' '?'来匹配0个，1个或多个重复字符。
- '+' 用来匹配1个或者多个字符
- '*' 用来匹配0个或者多个字符
- '?' 用来匹配0个或1个字符
注意，'+'和'*'会匹配尽可能多的字符。
一些重复字符的例子
## i+ 匹配1个或者多个'i'
match = re.search(r'pi+', 'piiig') => found, match.group() == "piii"
## 找到字符串中最左边尽可能长的模式。
## 注意，并没有匹配到第二个 'i+'
match = re.search(r'i+', 'piigiiii') => found, match.group() == "ii"
## \s* 匹配0个或1个空白字符 whitespace
match = re.search(r'\d\s*\d\s*\d', 'xx1 2 3xx') => found, match.group() == "1 2 3"
match = re.search(r'\d\s*\d\s*\d', 'xx12 3xx') => found, match.group() == "12 3"
match = re.search(r'\d\s*\d\s*\d', 'xx123xx') => found, match.group() == "123"
## ^ 匹配字符串的第一个字符
match = re.search(r'^b\w+', 'foobar') => not found, match == None
## 与上例对比
match = re.search(r'b\w+', 'foobar') => found, match.group() == "bar"
考虑一个典型的Email地址：[email protected]，可以用如下的方式匹配：
match = re.search(r'\w+@\w+',str)
但是，对于这种Email地址 'xyz [email protected] purple monkey' 则不能奏效。
使用方括号
方括号里面的字符表示一个字符集合。[abc]可以被用来匹配'a'或者'b'或者'c'。\w \s等都可以用在方括号里，除了'.'以外，它只能用来表示字面意义上的‘点’。所以上面的Email规则可以扩充如下：
match = re.search('r[\w.-]+@[\w.-]+',str)
你还可以使用'-'来指定范围，如[a-z]指示的是所有小写字母的集合。所以如果你想构造的字符集合中有'-'，请把它放到末尾[ab-]。另外，前方加上'^'，用来表示取集合的补集，例如[^ab]表示除了'a'和'b'之外的其他字符。
操作
以Email地址为例，如果我们想要分别提取该地址的用户名'someone'和主机名'host.com'该怎么办呢？可以在模式中用圆括号指定。
str = 'purple [email protected] monkey dishwasher'
match = re.search('([\w.-]+)@([\w.-]+)', str) #用圆括号指定分割
if match:
print match.group() ## '[email protected]' (the whole match)
print match.group(1) ## 'alice-b' (the username, group 1)
print match.group(2) ## 'google.com' (the host, group 2)
findall 函数
与group函数只找到最左端的一个匹配不同，findall函数找到字符串中所有与模式匹配的串。
str = 'purple [email protected], blah monkey [email protected] blah dishwasher'
## findall返回一个包含所有匹配结果的 list
emails = re.findall(r'[\w\.-]+@[\w\.-]+', str) ## ['[email protected]', '[email protected]']
for email in emails:
print email
在文件中使用findall
当然可以读入文件的每一行，然后对每一行的内容调用findall，但是为什么让这一切自动发生呢？
f = open(filename.txt,'r')
matches = re.findall(pattern,f.read())
findall 和分组
和group的用法相似，也可以指定分组。
str = 'purple [email protected], blah monkey [email protected] blah dishwasher'
## 返回了一个list
tuples = re.findall(r'([\w\.-]+)@([\w\.-]+)', str)
print tuples ## [('alice', 'google.com'), ('bob', 'abc.com')]
## list中的元素是tuple
for tuple in tuples:
print tuple[0] ## username
print tuple[1] ## host
调试
正则表达式异常强大，使用简单的几条规则就可以演变出很多的模式组合。在确定你的模式之前，可能需要很多的调试工作。在一个小的测试集合上测试正则表达式。
其他选项
正则表达式还可以设置“选项”。
match = re.search(pat,str,opt)
这些可选项如下：
- IGNORECASE 忽视大小写
- DOTALL 允许'.'匹配'\n'
- MULTILINE 在一个由许多行组成的字符串中，允许'^'和'$'匹配每一行的开始和结束