Python--正则表达式处理文本
正则表达式（又称规则表达式），由元字符及其不同组合组成，是一种特殊的文本模式。构造正则表达式可用来匹配目标字符串内容，对目标对象进行检索，替换等字符串处理操作。
正则表达式，不仅存在于Python程序语言，其他程序语言如java中也有，属于共同部分，操作形式上大同小异。它可以迅速地用极简单的方式达到字符串的复杂控制，具有灵活性、逻辑性和功能性非常强等特点。
一、正则表达式模块处理字符串
Python标准库 re 提供了正则表达式操作所需全部功能，可直接使用 re 模块中的方法结合编写的表达式文本对目标字符串进行处理。
常见的re模块方法：
函数参数说明：pattern为匹配的正则表达式；string为字符串匹配对象；flags为标志位，用于控制正则表达式的匹配方式;repl为字符串或返回字符串的可调用对象。说明一下，flags作为函数参数，可以是re.I表示忽略大小写、re.S表示匹配包括换行符在内的任意字符、re.M表示多行匹配模式等。
（1）compile ( pattern [, flags] )
创建模式对象，根据一个模式字符串和可选的标志参数生成一个正则表达式对象。
>>> import re
>>> example = 'xin nian kuai le!'
>>> pattern = re.compile(r'\b\w+\b')
>>> pattern.findall(example)
['xin', 'nian', 'kuai', 'le']（2）findall( pattern ,string [, flags] )
findall()方法字符串中查找所有符合正则表达式的字符串并以列表形式返回（列出模式所有在字符串中成功匹配项）。
（3）match( pattern , string [, flags ] )
正则表达式对象match()方法在字符串开头或者指定位置进行搜索，模式必须出现在字符串开头或者指定位置，返回match对象，无匹配对象返回None。
关于match对象：
match()方法和search()方法匹配成功后返回是match对象，match对象主要方法有group()返回多子模式内容，及groupdict()返回含有匹配所有子模式内容的字典等等。
>>> import re
>>> m = re.match(r'(\w+) (\w+)','Isaac Newton, physicist')
>>> m.group(0)
'Isaac Newton'
>>> m.group(1)
'Isaac'
>>> m.group(2)
'Newton'
>>> m.group(1,2)
('Isaac', 'Newton')（4）sub ( repl , string , [, count=0] )
sub()和subn()方法都可实现字符串的替换功能，count为替换限制次数。与sub()不同，subn()会多返回替换次数。
>>> import re
>>> example = 'hello hello you are welcome,hello!'
>>> pattern = re.compile(r'\bhello\b')
>>> pattern.sub('ok',example,count=2)
'ok ok you are welcome,hello!'
>>> pattern.subn('ok',example,count=2)
('ok ok you are welcome,hello!', 2)（5）search ( string [, pos [, endpos] ] )
search()方法在整个字符串内或者指定范围内进行搜索，可返回第一个成功匹配项的位置信息。
>>> import re
>>> example = 'hello hello you are welcome,hello!'
>>> pattern = re.compile(r'\bhello\b')
>>> pattern.search(example)
二、元字符
正则表达式元字符数量很多，可以通过下面列表了解下：
| 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。 |
| ^ |
匹配输入字行首。如果设置了RegExp对象的Multiline属性，^也匹配“\n”或“\r”之后的位置。 |
| $ |
匹配输入行尾。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”，也能匹配“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”。?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为一组，后三个o为一组。“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地匹配所搜索的字符串，而默认的贪婪模式则尽可能多地匹配所搜索的字符串。例如，对于字符串“oooo”，“o+”将尽可能多地匹配“o”，得到结果[“oooo”]，而“o+?”将尽可能少地匹配“o”，得到结果 ['o', 'o', 'o', 'o'] |
| .点 |
匹配除“\n”和"\r"之外的任何单个字符。要匹配包括“\n”和"\r"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时很有用。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”。 *python的正则表达式没有完全按照正则表达式规范实现，所以一些高级特性建议使用其他语言如java、scala等 |
| (? |
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“(? *python的正则表达式没有完全按照正则表达式规范实现，所以一些高级特性建议使用其他语言如java、scala等 |
| x|y |
匹配x或y。例如，“z|food”能匹配“z”或“food”(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”任一字符。 |
| [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 |
匹配一个单词的边界，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”；“\b1_”可以匹配“1_23”中的“1_”，但不能匹配“21_3”中的“1_”。 |
| \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]。grep 要加上-P，perl正则支持 |
| \D |
匹配一个非数字字符。等价于[^0-9]。grep要加上-P，perl正则支持 |
| \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（©）。 |
| \p{P} |
小写 p 是 property 的意思，表示 Unicode 属性，用于 Unicode 正表达式的前缀。中括号内的“P”表示Unicode 字符集七个字符属性之一：标点字符。 其他六个属性： L：字母； M：标记符号（一般不会单独出现）； Z：分隔符（比如空格、换行等）； S：符号（比如数学符号、货币符号等）； N：数字（比如阿拉伯数字、罗马数字等）； C：其他字符。 *注：此语法部分语言不支持，例：javascript。 |
| \< \> |
匹配词（word）的开始（\<）和结束（\>）。例如正则表达式\ |
| ( ) |
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。 |
（此表格取自百度百科正则表达式_百度百科 (baidu.com)）
三、正则表达式扩展及举例
正则表达式使用圆括号“（）”表示一个子模式，圆括号里的内容作为整体对待。
| 语法 |
功能说明 |
|---|---|
| (?P |
为子模式命名 |
| (?iLmsux) |
设置匹配标志，可以是几个字母的组合，每个字母含义与编译标志相同 |
| (?:...) |
匹配但不捕获该匹配的子表达式 |
| (?P=groupname) |
表示在此之前的命名为groupname的子模式 |
| (?#...) |
表示注释 |
| (?<=…) |
用于正则表达式之前，如果<=后的内容在字符串中不出现则匹配，但不返回<=之后的内容 |
| (?=…) |
用于正则表达式之后，如果=后的内容在字符串中出现则匹配，但不返回=之后的内容 |
| (? |
用于正则表达式之前，如果 |
| (?!...) |
用于正则表达式之后，如果!后的内容在字符串中不出现则匹配，但不返回!之后的内容 |
（此表格摘自《Python程序设计基础》（董付国 著，清华大学出版社））
正则表达式常见的组合运用：
"[a-zA-Z0-9\_]+"可以匹配至少由一个数字、字母或者下划线组成的字符串。
''(apple | orange)juice"可匹配"apple juice"或者"orange juice"。
"[pjc]ython"可实现匹配"pyhon"或者"jython""cython"。
"^(\w){5,9}$"可实现匹配5-9长度的字符串，可以包括任意字母、数字、下划线。
"^(apple)?(orange)?juice$" 可实现匹配"apple juice"或者"orange juice"或者"juice"三个字符串。