这篇博客介绍 python 的 re 模块的相关函数/方法，及一些相关符号使用

使用re模块可以采用预编译然后使用编译过的方法，也可以不编译就直接使用函数，但无论是方法还是函数，名字都是一样的

介绍的方法/函数：

match(), search(), sub(), subn()，findall(),finditer,split(),compile()

表达式符号：

表达式符号	作用
re1|re2	匹配表达式 re1 或表达式 re2
.	匹配任意一字符（除了\n）
^	匹配字符串起始部分
$	匹配字符串终止部分
*	匹配 0 或多次前面出现的字符
+	匹配 1 次或多次前面出现的字符
？	匹配 0 或 1 次前面出现的字符
{N}	匹配 N 次前面出现的正则表达式
[…]	匹配字符集的任一字符
[^…]	不匹配字符集里的任意字符
[x-y]	匹配 x~y 中的任意字符
(…)	匹配里头封闭的正则表达式，并存为一个分组

特殊字符：

特殊字符	作用
\d	匹配十进制数字字符，与 [0-9] 一致，相反为 \D
\w	匹配任意字母或数字字符，与[A-Za-z0-9] 一到处，相反为 \W
\s	匹配任何空格字符，与 [\n\t\r\v\f] 相同，相反 \S
\b	匹配任何单词边界， 相反 \B
\N	匹配已存的子组
\A(\Z)	匹配字符串的起始（结束）

使用 re

import re

下面以一个应用场景来介绍

你需要处理一个电话薄，需要里面的电话号码是这样的：
xxxx-xxxxxxx,如：0777-8888888
对应的正则表达式：r'\d{4}-\d{7}'
免责声明：下面提到的号码相关的正则表达式仅供参考

match() 匹配字符串

作用：从字符串的起始部分进行匹配
函数使用：re.match(<正则表达式>, <用来匹配的字符串>)

完全匹配

>>> re.match(r'0777-8888888','0777-8888888')
 #匹配成功，返回一个匹配对象
'0777-8888888'成功匹配，返回一个匹配对象。如果匹配不成功的话则返回None

不完全匹配

>>> re.match(r'\d{4}-\d{7}','abc0777-8888888') #匹配失败，返回None
>>> re.match(r'\d{4}-\d{7}','0777-8888888abc')

因为是从字符串起始部分匹配，所以 'abc0777-8888888' 匹配失败，没有返回值，如果不想从起始位置匹配，可以使用下面将要介绍的 search()

search() 查找匹配字符串

作用：搜索任何位置匹配的字符串
函数使用：re.search(<正则表达式>, <用来匹配的字符串>)

>>> re.search(r'\d{4}-\d{7}','abc0777-8888888def')

跟 match() 不一样的地方是 search() 是查找匹配的模式，任意位置的字符串都能被匹配到

匹配多个字符串“|”

假如现在不仅要匹配电话号码，还要匹配手机号码(如：+86-133123456789)，这时就需要匹配多个字符串，可以使用择一匹配符号“|”。
正则表达式：r'\d{4}-\d{7}|+86-\d{11}'

>>> r = r'\d{4}-\d{7}|\+86-\d{11}'
>>> re.search(r,'18888888888')
>>> re.search(r,'+86-18888888888')

>>> re.match(r,'0777-8888888')

匹配对象的方法 group()

当匹配到字符串时我们会得到一个匹配对象，可以用group()方法，返回匹配的字符串

>>> r = r'\d{4}-\d{7}|\+86-\d{11}'>>> m = re.search(r,'+86-18888888888')
>>> if m is not None:
...     m.group()
...
'+86-18888888888'

使用 if 去判断是否为空是因为当字符串不匹配时会返回 None 而不是一个匹配对象,这时调用方法group() 会报错 AttributeError
还有另外一个方法 groups() 后面会讲到

使用字符集 “[…]”

手机号码并不是全部的11位数就能匹配的，只有像 188 开头的才可能是手机号码，使用字符集来筛选
正则表达式：r'1[3,5,7,8,9]\d{9}'
表示以1开头，第二位为3，5，7，8或9的11位数字组合,[…] 表示匹配里面中的任一一个字符

>>> r = r'1[3,5,7,8,9]\d{9}'
>>> m = re.match(r,'18812345678')
>>> m.group()
'18812345678'
>>> re.match(r,'123123456789')

分组“ (…) ”

显然上面的手机号码正则表达式还远不及需求，133开头可能是手机号码，但如果134开头的不是呢，这时可以使用分组

>>> r = r'1(33|35|37|57|77|88|97)\d{8}'
>>> re.match(r,'13512345678')

>>> re.match(r,'13412345678')   # 匹配不到

如果我们把之前的电话号码分组，如：r'(\d{4})-(\d{7})'

>>> r = r'(\d{4})-(\d{7})'
>>> m = re.match(r, '0777-1234567')
>>> m.group()
'0777-1234567'
>>> m.group(0)
'0777-1234567'
>>> m.group(1)
'0777'
>>> m.group(2)
'1234567'
>>> m.groups()
('0777', '1234567')

再论匹配对象方法：group() 和 groups()

group() 用于以普通的方式显示所有的匹配部分，加上编号可用于获取各个匹配的子组
groups()方法用来获取一个包含所有子组的字符串元组

>>> r = r'(\d{4})-(\d{7})'
>>> m = re.match(r, '0777-1234567')
>>> m.group()          # 完整匹配
'0777-1234567'
>>> m.group(0)        #完整匹配
'0777-1234567'
>>> m.group(1)        #子组1
'0777'
>>> m.group(2)        #子组2
'1234567'
>>> m.groups()        #全部子组
('0777', '1234567')
>>> r = r'\d{4}-\d{7}'
>>> m = re.match(r, '0777-1234567abcd')
>>> m.group()
'0777-1234567'
>>> m.groups()        #没有子组
()

限制匹配字符串的起始和结尾边界：“^”(起始) 和 “$”(结尾)

r'^\d{4}-\d{7}' 表示起始匹配正则表达式
r'\d{4}-\d{7}$' 表示结尾匹配正则表达式
r'^\d{4}-\d{7}$' 表示起始和结尾结尾匹配正则表达式

>>> r = r'\d{4}-\d{7}$'   #设置结束边界
>>> m = re.match(r, '0777-1234567')
>>> if m is not None:
...     m.group()
...
'0777-1234567'
>>> m = re.search(r, '0777-1234567')
>>> m.group()
'0777-1234567'
>>> m = re.search(r, '0777-1234567abcd')
>>> if m is not None:
...     m.group()
…                        #没匹配到
>>> r = r'^\d{4}-\d{7}'   #设置起始边界
>>> re.search(r, 'abcd0777-12345677')
>>>             #没匹配到

findall() 和 finditer() 查找每个出现的位置

作用：相询全部不重复出现的字符串
使用：
re.findall(<正则表达式>, <作用的字符串>)
re.finditer(<正则表达式>, <作用的字符串>)

>>> r = r'\d{4}-\d{7}'
>>> re.findall(r, 'Tom:0111-1111111,Bob:0222-2222222')
['0111-1111111', '0222-2222222']
>>> re.findall(r, 'Tom:0000,Bob:0000')
[]

与 match() 和 search() 不同的是 findall() 相询全部不重复出现的字符串，并一直返回一个列表，匹配不到也是一个空的字符表。不重复是什么意思呢？如：

>>> r = r'\d{4}-\d{7}'
>>> re.findall(r,'0770-1234567-1234567')
['0770-1234567']

上面的列子字符串可匹配的情况有0770-1234567和4567-1234567，但由于4567在第一次查询已经使用，不会被重复使用，所以下次查词是从-1234567开始查找

使用分组，让findall() 只返回子组匹配的内容，如想只提取电话号码中的号码而不含区号，可以这样做

>>> r = r'\d{4}-(\d{7})'
>>> re.findall(r, 'Tom:0111-1111111,Bob:0222-2222222')
['1111111', '2222222']

finditer()，和findall()类似，但finditer返回的是一个迭代器，能节省内存的使用

>>> r = r'(\d{4})-(\d{7})'
>>> m = re.finditer(r,'Tom:0111-1111111,Bob:0222-2222222')
>>> [x.groups() for x in m]
[('0111', '1111111'), ('0222', '2222222')]
>>> m = re.finditer(r,'Tom:0111-1111111,Bob:0222-2222222')
>>> m.__next__().groups()
('0111', '1111111')
>>> m.__next__().groups()
('0222', '2222222')

使用 sub() 和 subn() 搜索并替换

作用：搜索匹配的字符串部分并以某种形式做替换
使用：

re.sub(<正则表达式>, <用来替换的字符串>, <作用字符串>)
re.subn(<正则表达式>, <用来替换的字符串>, <作用字符串>)

如：‘Miss.Tom:0111-1111111,Miss.Bob:0222-2222222’，想替换用户信息中的称呼“Miss”为 “Mr”

>>> re.sub('Miss', 'Mr','Miss.Tom:0111-1111111,Miss.Bob:0222-2222222')
'Mr.Tom:0111-1111111,Mr.Bob:0222-2222222'
>>> re.subn('Miss', 'Mr','Miss.Tom:0111-1111111,Miss.Bob:0222-2222222')
('Mr.Tom:0111-1111111,Mr.Bob:0222-2222222', 2)

可以看出subn还回返回一个替换的总数

还有一个神奇的用法。分组调换，使用 \N 来调用分组，N 表示分组编号
如：下面出现称呼和名称位置错位，调换过来

>>> info = 'TomMr.:0111-1111111,BobMr.:0222-2222222'
>>> re.sub(r'(\w+)(Mr\.)(\:\d{4}-\d{7})',  r'\2\1\3', info)
'Mr.Tom:0111-1111111,Mr.Bob:0222-2222222'

split() 分隔字符串

作用：分割字符串，返回一个列表
使用：re.split(<分割位置字符串>, <被分割字符串>)

如：基于“：”字符分割

>>> re.split(':','Mr.Tom:0111-1111111,Mr.Bob:0222-2222222')
['Mr.Tom', '0111-1111111,Mr.Bob', '0222-2222222']
>>> re.split(':','Mr.Tom:0111-1111111,Mr.Bob:0222-2222222',1) #指定最大分割次数
['Mr.Tom', '0111-1111111,Mr.Bob:0222-2222222']

使用 compile() 做预编译

使用 compile() 可以将正则表达式预编译为一个对象，接着就可以重复调用该正则表达式

>>> c = re.compile(r'\d{4}-(\d{7})')
>>> c.search('Mr.Tom:0111-1111111,Mr.Bob:0222-2222222')

>>> c.findall('Mr.Tom:0111-1111111,Mr.Bob:0222-2222222')
['1111111', '2222222']

贪婪匹配与非贪婪匹配

举个粟子
字符串：'

123

abcd

'
想提取 div 标签里的内容 123 和 abcd
正则表达式（贪婪匹配）：r'

(\w.*)

'

>>> re.findall(r'
(\w.*)
', '
123
abcd
')
['123

abcd']

正则表达式（非贪婪匹配）：r'

(\w.*？)

'

>>> re.findall(r'
(\w.*?)
', '
123
abcd
')
['123', 'abcd']

“？”在这里表示以尽量少的次数匹配

参考自：《Python 核心编程(第三版)》