Python正则表达式指南(中)

2. re模块

2.1. 开始使用re

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

01 # encoding: UTF-8
02 import re
03
04 # 将正则表达式编译成Pattern对象
05 pattern = re.compile(r'hello')
06
07 # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
08 match = pattern.match('hello world!')
09
10 if match:
11     # 使用Match获得分组信息
12     print match.group()
13
14 ### 输出 ###
15 # hello

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。 
可选值有：

• re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
• M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
• S(DOTALL): 点任意匹配模式，改变'.'的行为
• L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
• U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
• X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

1 a = re.compile(r"""\d +  # the integral part
2                    \.    # the decimal point
3                    \d *  # some fractional digits""", re.X)
4 b = re.compile(r"\d+\.\d*")

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

1 m = re.match(r'hello', 'hello world!')
2 print m.group()

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

2.2. Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

1. string: 匹配时使用的文本。
2. re: 匹配时使用的Pattern对象。
3. pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6. lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

1. 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。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2. 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,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
3. 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，没有别名的组不包含在内。default含义同上。
4. start([group]): 
   返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
5. end([group]): 
   返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
6. span([group]): 
   返回(start(group), end(group))。
7. 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<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\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。

01 import re
02 m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
03
04 print "m.string:", m.string
05 print "m.re:", m.re
06 print "m.pos:", m.pos
07 print "m.endpos:", m.endpos
08 print "m.lastindex:", m.lastindex
09 print "m.lastgroup:", m.lastgroup
10
11 print "m.group(1,2):", m.group(1, 2)
12 print "m.groups():", m.groups()
13 print "m.groupdict():", m.groupdict()
14 print "m.start(2):", m.start(2)
15 print "m.end(2):", m.end(2)
16 print "m.span(2):", m.span(2)
17 print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')
18
19 ### output ###
20 # m.string: hello world!
21 # m.re: <_sre.SRE_Pattern object at 0x016E1A38>
22 # m.pos: 0
23 # m.endpos: 12
24 # m.lastindex: 3
25 # m.lastgroup: sign
26 # m.group(1,2): ('hello', 'world')
27 # m.groups(): ('hello', 'world', '!')
28 # m.groupdict(): {'sign': '!'}
29 # m.start(2): 6
30 # m.end(2): 11
31 # m.span(2): (6, 11)
32 # m.expand(r'\2 \1\3'): world hello!