Python正则表达式－1

本文基于Python官方手册进行翻译和整理，包括对正则表达式的简介、Python正则库API、以及一些使用样例。

参考手册：
http://docs.python.org/2/library/re.html?highlight=re#re
http://docs.python.org/2/howto/regex.html#regex-howto

http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

http://download.csdn.net/detail/gzhouc/8891155

简介

Python中主要使用re模块进行正则表达式匹配，re使用perl风格的语法，并对8字节ASCII码以及Unicode编码都提供了良好的支持。

在常规字符串中使用正则表达式是一件比较麻烦的事，拿匹配字符\来说，因为\是正则表达式中的特殊字符，对其匹配需要使用\\，而’\’又是字符串的转义字符，所以需要用\\\\来匹配一个\。是不是很麻烦？这样写出来的正则表达式又长又难懂，好在Python为我们提供了原始字符串————在字符串前加r，原始字符串中的字符不会被转义，可以说是所见即所得，比如r"\n"就表示了字符串”\n”而不是回车。因此，大多数Python程序员基本都只用原始字符串来表示模式串。

正则表达式关键字

正则表达式关键字是指用来进行匹配的字符，这些字符可以匹配特定的文本串。需要注意的是，如果要使这些字符表达原意，要用\进行转义。此外，需要转义的还包括一些分隔符，如(，|等。

这些关键字如下

基本关键字 . 常规模式匹配除了"\n"外的所有字符，DOTALL模式下"\n"也会被匹配 ^ 匹配字符串的开头，MULTILINE模式下会匹配每行开头 $ 匹配字符串的即为，MULTILINE模式下会匹配行尾 * 匹配*号前面的内容0次至无限次 \ 转义符，在匹配字符*号等特殊字符时使用 | 或，A|B表示只要A和B中任意匹配一个 [] 匹配方括号内字符集中的任一字符，注意里面的特殊字符会失去特殊意义，以及^和-要进行转义 量词 + 匹配+号前内容1次至无限次 ? 匹配?号前内容0次到1次 {m} 匹配前面的内容m次 {m,n} 匹配前面的内容m到n次 *?,+?,??,{m,n}? 前面的*,+,?等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配 分组匹配 (..) 分组，首先是会在group函数中得到这个分组，其次是会成为基本重复单位(+,?,*等) (?..) ()的扩展形式，()中的内容不会被作为分组记录(?P除外)，扩展有以下几种 (?:..) 最基础的扩展，()内的内容不会被作为分组记录 (?P) 该分组会被作为分组记录，并且分组名为name (?P=name) 后向引用(?P)中的内容 (?#...) 注释，括号中的内容会被忽略 (?=...) 之后的字符串需要匹配括号中的内容，但不消耗字符串，比如a(?=b)只能匹配ab，接下来从b开始继续匹配 (?!...) 之后的内容不能匹配括号中的内容，但不消耗字符串 (?<=...) 之前的字符串需要匹配括号中的内容，但不消耗字符串 (?

Python正则库API

选项

re库API中，一般都有flags参数，通过该参数指定正则表达式选项。传递时一般使用简写，比如开启DOTALL和MULTILINE使用re.I|re.M

A ASCII 使\w\W\b\B\d\D匹配ASCII字符 I IGNORECASE 忽略大小写 L LOCALE 使\w\W\b\B匹配本地字符集 M MULTILINE 多行模式，"^" 匹配每行开头，"$"匹配每行结尾 S DOTALL "." 匹配所有字符，包括"\n" X VERBOSE 详细模式，忽略空白可以加入注释 U UNICODE 使\w\W\b\B\d\D匹配unicode字符集

API速查

这里只是列出API，便于查阅，后面会详细介绍API的使用。建议先跳过这一段，直接看后面的Sample，再回过头来看这一段。

API分为三组，第一组是模块API(Module Contents),通过re.xx()使用；第二组是表达式API(Regular Expression Objects)，re.complie()函数会返回一个表达式对象，通过该对象使用的函数；第三组是匹配对象API(Match Objects)，像search这些函数都会返回一个匹配结果，这组API用于操作结果集。

re库对于很多函数，例如match，都提供了两种调用方式，一是直接通过re库调用，将正则表达式作为参数，二是先用complie编译表达式，通过返回的对象调用，方法二在正则表达式会被多次使用时会减少重复编译花费的时间。

模块APII(Module Contents) re.compile(pattern, flags=0) 预编译一个正则表达式，返回一个表达式对象(Regular Expression Objects) re.search(pattern, string, flags = 0) 在字符串中找匹配的串，返回第一个匹配到的匹配对象 re.match(pattern, string, flags=0) 从头开始匹配，返回匹配对象 re.split(pattern, string, maxsplit=0, flags=0) 使用pattern分割字符串，返回一个结果list re.findall(pattern, string, flags=0) search加强版，返回所有的匹配对象的list re.finditer(pattern, string, flags=0) 返回一个迭代器，用户可以使用迭代器查看所有匹配对象 re.sub(pattern, repl, string, count=0, flags=0) 使用repl替换string中pattern匹配到的部分； 这里repl可以是一个函数，参数是匹配对象，返回要替代的串 re.subn(pattern, repl, string, count=0, flags=0) 类似sub，返回元组(new_string, number_of_subs_made) re.escape(string) 将所有的非字母数字字符前加"\"后返回 re.purge() 清空正则表达式缓存 表达式API(Regular Expression Objects) flags 编译时的flag groups 表达式中分组的数量 groupindex 以有别名的组别名为键、编号为值的字典 pattern 编译时用的表达式字符串 search(string[, pos[, endpos]]) 从Pos处开始查找字符串，返回匹配对象 match(string[, pos[, endpos]]) 从Pos处匹配字符串，返回匹配对象 split(string, maxsplit=0) 同re.split findall(string[, pos[, endpos]]) 从Pos处查找所有匹配的字符串，返回所有匹配对象的list finditer(string[, pos[, endpos]]) 从Pos处查找所有的字符串，返回一个迭代器 sub(repl, string, count=0) 同re.sub subn(repl, string, count=0) 同re.subn 匹配对象API(Match Objects) pos 传递给函数的pos endpos 传递给函数的endpos lastindex 最后一个捕获的group的下标 lastgroup 最后一个捕获的group的名字 re 调用match或者search的表达式对象 string match或者search的字符串 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、\g引用分组 注意0不能使用，另外\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。 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，0代表整个匹配串 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,…n)) 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 start([group]) 返回指定组的串在原串中的起始索引 end([group]) 返回指定组的串在原串中的结束索引 span([group]) 返回(start(group), end(group))

使用re模块

在整个re库中用到的对象一共有三个，分别是顶级的re对象、re.compile函数返回的Pattern对象、match、serach等函数返回的Match对象。而使用re库的方法也有两种，一种是直接使用re对象的方法，一种是先complie表达式返回Pattern对象，再使用Pattern对象来操作，这两者的区别是后者可以减少重复编译的时间。实际上即使不使用compile，re库也会缓存一些近期使用过的正则表达式编译结果，所以这里不用太担心两者的效率差别。

compile
作用就是编译一个表达式，以下两段代码作用相同

# use compile p = re.compile(r'ab*') r = p.match('abcc') print r.group(0) # don't use compile r = re.match(r'ab*', 'abcc') print r.group(0) # output ab ab

匹配对象(Match Object)
所谓匹配对象，就是match,search,findall等搜索操作返回的结果对象，下面举个简单的例子看下匹配对象(Match Object)中各种方法的使用
我们使用正则表达式([a-z]+) (?P[\d]+)来匹配类似于abc 123这样的串。我们捕捉字符串组和数字组，并给数字组命名为digit。

p = re.compile(r'([a-z]+) (?P[\d]+)') r = p.search('name su, id 123') print 're :', r.re #re object used print 'string :', r.string #string print 'pos :', r.pos #search start pos print 'endpos :', r.endpos #search end pos print 'lastindex :', r.lastindex #last group index print 'lastgroup :', r.lastgroup #last group name print 'groups :', r.groups() #all group from index 1 print 'group :', r.group(0, 1, 2) #group index 0, 1, 2 print 'groupdict :', r.groupdict() #group name dict print 'start :', r.start(2) #start pos of group 2 print 'end :', r.end("digit") #end pos of group digit print 'span(num) :', r.span(2) #range of group 2 print 'span(name):', r.span("digit") #range of group digit print 'expand :', r.expand(r'\g \1') #swap group 1 with 2 # output re : <_sre.SRE_Pattern object at 0x015AE860> string : name su, id 123 pos : 0 endpos : 15 lastindex : 2 lastgroup : digit groups : ('id', '123') group : ('id 123', 'id', '123') groupdict : {'digit': '123'} start : 12 end : 15 span(num) : (12, 15) span(name): (12, 15) expand : 123 id

可以看到，对于有名组，我们不仅可以用Index来引用该组，还可以使用组名来引用，这在分组较多时会十分有用。在expand函数中使用了后向引用，\1表示group 1,\g表示group digit。

search VS match
search和match的作用是相近的，都是在字符串中匹配一个模式串，唯一的不同是match从首字符开始搜索，而search不要求。search在正则前加^可以达到和match相同的作用。
依然用前面的正则表达式，结果如下。

r = re.search(r'([a-z]+) (?P[\d]+)', 'name id 123') print r r = re.match(r'([a-z]+) (?P[\d]+)', 'name id 123') print r r = re.search(r'^([a-z]+) (?P[\d]+)', 'name id 123') print r # output <_sre.SRE_Match object at 0x016954A0> None None

sub
sub用于替换匹配到的内容，它的特色是替换参数可以是一个函数，我们看一下如何使用函数来进行替换。
这个例子是将所有的数字从十进制转换成十六进制数。

p = re.compile(r'\b[\d]+\b') def hexrepl(match): value = int(match.group()) return hex(value) print p.sub(hexrepl, 'id 123, age 20.') # output id 0x7b, age 0x14.

这里也可以用lambda表达式使程序更加简洁

p = re.compile(r'\b[\d]+\b') print p.sub(lambda x: hex(int(x.group())), 'id 123, age 20.') # output id 0x7b, age 0x14.

split
它是字符串split函数的强化版，可以使用正则表达式
一个简单的例子，分离字符串中的数字。注意如果使用了捕获括号，捕获的内容也会出现在结果中。

print re.split(r'\D+', '123asd12 41 a12') print re.split(r'(\D+)', '123asd12 41 a12') # output ['123', '12', '41', '12'] ['123', 'asd', '12', ' ', '41', ' a', '12']

findall && finditer
search的加强版，findall返回所有结果，finditer返回一个迭代器，延用上面的例子。

p = re.compile(r'\b[\d]+\b') r = p.findall('id 123, age 20.') print r r = p.finditer('id 123, age 20') print [s.group(0) for s in r] #out put ['123', '20'] ['123', '20']

More

关于Python中的正则表达式，基本就是这些内容了。能写出一个性能良好并且正确的正则表达式，也是对一个程序员的基本要求了，本文并没有详细介绍如何使用正则表达式，如果想用好正则表达式，还要进一步学习有关正则表达式的高级知识。