全国咨询热线:400-618-9090

首页技术文章正文

Python 正则表达式 re 模块简明笔记

创建时间:2018-08-16 15:34:29.0 来源:黑马程序员人工智能+Python培训学院

 

 

简介

正则表达式(regular expression)是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串,可以匹配其自身。比如,正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。

要注意的是,正则表达式并不是一个程序,而是用于处理字符串的一种模式,如果你想用它来处理字符串,就必须使用支持正则表达式的工具,比如 Linux 中的 awk, sed, grep,或者编程语言 Perl, Python, Java 等等。

正则表达式有多种不同的风格,下表列出了适用于 Python 或 Perl 等编程语言的部分元字符以及说明:

re 模块

在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是,正则表达式使用 \ 对特殊字符进行转义,比如,为了匹配字符串 ‘python.org’,我们需要使用正则表达式 'python\.org',而 Python 的字符串本身也用 \ 转义,所以上面的正则表达式在 Python 中应该写成 'python\\.org',这会很容易陷入 \ 的困扰中,因此,我们建议使用 Python 的原始字符串,只需加一个 r 前缀,上面的正则表达式可以写成:

r'python\.org'

re 模块提供了不少有用的函数,用以匹配字符串,比如:

· compile 函数

· match 函数

· search 函数

· findall 函数

· finditer 函数

· split 函数

· sub 函数

· subn 函数

re 模块的一般使用步骤如下:

· 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象

· 通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象)

· 最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作

compile 函数

compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:

re.compile(pattern[, flag])

其中,pattern 是一个字符串形式的正则表达式,flag 是一个可选参数,表示匹配模式,比如忽略大小写,多行模式等。

下面,让我们看看例子。

import re# 将正则表达式编译成 Pattern 对象 pattern = re.compile(r'\d+')

在上面,我们已将一个正则表达式编译成 Pattern 对象,接下来,我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。Pattern 对象的一些常用方法主要有:

· match 方法

· search 方法

· findall 方法

· finditer 方法

· split 方法

· sub 方法

· subn 方法

match 方法

match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。它的一般使用形式如下:

match(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。

当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

看看例子。

>>> import re>>> pattern = re.compile(r'\d+')                    # 用于匹配至少一个数字>>> m = pattern.match('one12twothree34four')        # 查找头部,没有匹配>>> print mNone>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配,没有匹配>>> print mNone>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配,正好匹配>>> print m                                         # 返回一个 Match 对象<_sre.SRE_Match object at 0x10a42aac0>>>> m.group(0)   # 可省略 0'12'>>> m.start(0)   # 可省略 03>>> m.end(0)     # 可省略 05>>> m.span(0)    # 可省略 0(3, 5)

在上面,当匹配成功时返回一个 Match 对象,其中:

· group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);

· start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;

· end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;

· span([group]) 方法返回 (start(group), end(group))。

再看看一个例子:

>>> import re>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)   # re.I 表示忽略大小写>>> m = pattern.match('Hello World Wide Web')>>> print m                              
 # 匹配成功,返回一个 Match 对象<_sre.SRE_Match object at 0x10bea83e8>>>> m.group(0)                            
# 返回匹配成功的整个子串'Hello World'>>> m.span(0)                             
# 返回匹配成功的整个子串的索引(0, 11)>>> m.group(1)                            
# 返回第一个分组匹配成功的子串'Hello'>>> m.span(1)                             
# 返回第一个分组匹配成功的子串的索引(0, 5)>>> m.group(2)                            
# 返回第二个分组匹配成功的子串'World'>>> m.span(2)                             
# 返回第二个分组匹配成功的子串(6, 11)>>> m.groups()                            
# 等价于 (m.group(1), m.group(2), ...)('Hello', 'World')>>> m.group(3)                           
 # 不存在第三个分组Traceback (most recent call last):  File "<stdin>", line 1, in <module>IndexError: no such groupsearch 方法

search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:

search(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

让我们看看例子:

>>> import re>>> pattern = re.compile('\d+')>>> m = pattern.search('one12twothree34four')  # 这里如果使用 match 方法则不匹配>>> m<_sre.SRE_Match object at 0x10cc03ac0>>>> m.group()'12'>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间>>> m<_sre.SRE_Match object at 0x10cc03b28>>>> m.group()'34'>>> m.span()(13, 15)

再来看一个例子:

# -*- coding: utf-8 -*-import re# 将正则表达式编译成 Pattern 对象pattern = re.compile(r'\d+') # 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None # 这里使用 match() 无法成功匹配 m = pattern.search('hello 123456 789') if m:     # 使用 Match 获得分组信息     print 'matching string:',m.group()    print 'position:',m.span()

执行结果:

matching string: 123456position: (6, 12)findall 方法

上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。

findall 方法的使用形式如下:

findall(string[, pos[, endpos]])

其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。

看看例子:

import repattern = re.compile(r'\d+')   # 查找数字result1 = pattern.findall('hello 123456 789')result2 = pattern.findall('one1two2three3four4', 0, 10)print result1print result2

执行结果:

['123456', '789']['1', '2']finditer 方法

finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。

看看例子:

# -*- coding: utf-8 -*-import repattern = re.compile(r'\d+')result_iter1 = pattern.finditer('hello 123456 789')result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)print type(result_iter1)printtype(result_iter2)print 'result1...'for m1 in result_iter1:   # m1 是 Match 对象    print 'matching string: {}, position: {}'.format(m1.group(), m1.span())print 'result2...'for m2 in result_iter2:    print 'matching string: {}, position: {}'.format(m2.group(), m2.span())

执行结果:

<type 'callable-iterator'><type 'callable-iterator'>result1...matching string: 123456, position: (6, 12)matching string: 789, position: (13, 16)result2...matching string: 1, position: (3, 4)matching string: 2, position: (7, 8)split 方法

split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:

split(string[, maxsplit])

其中,maxsplit 用于指定最大分割次数,不指定将全部分割。

看看例子:

import rep = re.compile(r'[\s\,\;]+')print p.split('a,b;; c   d')

执行结果:

['a', 'b', 'c', 'd']sub 方法

sub 方法用于替换。它的使用形式如下:

sub(repl, string[, count])

其中,repl 可以是字符串也可以是一个函数:

· 如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 \id 的形式来引用分组,但不能使用编号 0;

· 如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。

count 用于指定最多替换次数,不指定时全部替换。

看看例子:

import rep = re.compile(r'(\w+) (\w+)')s = 'hello 123, hello 456'def func(m):    return 'hi' + ' ' + m.group(2)print p.sub(r'hello world', s)  # 使用 'hello world' 替换 'hello 123' 和 'hello 456'print p.sub(r'\2 \1', s)        # 引用分组print p.sub(func, s)print p.sub(func, s, 1)         # 最多替换一次

执行结果:

hello world, hello world123 hello, 456 hellohi 123, hi 456hi 123, hello 456subn 方法

subn 方法跟 sub 方法的行为类似,也用于替换。它的使用形式如下:

subn(repl, string[, count])

它返回一个元组:

(sub(repl, string[, count]), 替换次数)

元组有两个元素,第一个元素是使用 sub 方法的结果,第二个元素返回原字符串被替换的次数。

看看例子:

import rep = re.compile(r'(\w+) (\w+)')s = 'hello 123, hello 456'def func(m):    return 'hi' + ' ' + m.group(2)print p.subn(r'hello world', s)print p.subn(r'\2 \1', s)print p.subn(func, s)print p.subn(func, s, 1)

执行结果:

('hello world, hello world', 2)('123 hello, 456 hello', 2)('hi 123, hi 456', 2)('hi 123, hello 456', 1)其他函数

事实上,使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的,但在使用上有细微差别。

match 函数

match 函数的使用形式如下:

re.match(pattern, string[, flags]):

其中,pattern 是正则表达式的字符串形式,比如 \d+, [a-z]+。

而 Pattern 对象的 match 方法使用形式是:

match(string[, pos[, endpos]])

可以看到,match 函数不能指定字符串的区间,它只能搜索头部,看看例子:

import rem1 = re.match(r'\d+', 'One12twothree34four')if m1:    print 'matching string:',m1.group()else:    print 'm1 is:',m1m2 = re.match(r'\d+', '12twothree34four')if m2:    print 'matching string:', m2.group()else:    print 'm2 is:',m2

执行结果:

m1 is: Nonematching string: 12search 函数

search 函数的使用形式如下:

re.search(pattern, string[, flags])

search 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 search 方法类似。

findall 函数

findall 函数的使用形式如下:

re.findall(pattern, string[, flags])

findall 函数不能指定字符串的搜索区间,用法跟 Pattern 对象的 findall 方法类似。

看看例子:

import reprint re.findall(r'\d+', 'hello 12345 789')# 输出['12345', '789']finditer 函数

finditer 函数的使用方法跟 Pattern 的 finditer 方法类似,形式如下:

re.finditer(pattern, string[, flags])split 函数

split 函数的使用形式如下:

re.split(pattern, string[, maxsplit])sub 函数

sub 函数的使用形式如下:

re.sub(pattern, repl, string[, count])subn 函数

subn 函数的使用形式如下:

re.subn(pattern, repl, string[, count])到底用哪种方式

从上文可以看到,使用 re 模块有两种方式:

· 使用 re.compile 函数生成一个 Pattern 对象,然后使用 Pattern 对象的一系列方法对文本进行匹配查找;

· 直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找;

下面,我们用一个例子展示这两种方法。

先看第 1 种用法:

import re# 将正则表达式先编译成 Pattern 对象pattern = re.compile(r'\d+')print pattern.match('123, 123')print pattern.search('234, 234')print pattern.findall('345, 345')

再看第 2 种用法:

import reprint re.match(r'\d+', '123, 123')print re.search(r'\d+', '234, 234')print re.findall(r'\d+', '345, 345')

如果一个正则表达式需要用到多次(比如上面的 \d+),在多种场合经常需要被用到,出于效率的考虑,我们应该预先编译该正则表达式,生成一个 Pattern 对象,再使用该对象的一系列方法对需要匹配的文件进行匹配;而如果直接使用 re.match, re.search 等函数,每次传入一个正则表达式,它都会被编译一次,效率就会大打折扣。

因此,我们推荐使用第 1 种用法。

匹配中文

在某些情况下,我们想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围 主要在 [\u4e00-\u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。

假设现在想把字符串 title = u'你好,hello,世界' 中的中文提取出来,可以这么做:

# -*- coding: utf-8 -*-import retitle = u'你好,hello,世界'pattern = re.compile(ur'[\u4e00-\u9fa5]+')result = pattern.findall(title)print result

注意到,我们在正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。

执行结果:

[u'\u4f60\u597d', u'\u4e16\u754c']贪婪匹配

在 Python 中,正则匹配默认是贪婪匹配(在少数语言中可能是非贪婪),也就是匹配尽可能多的字符。

比如,我们想找出字符串中的所有 div 块:

import recontent = 'aa<div>test1</div>bb<div>test2</div>cc'pattern = re.compile(r'<div>.*</div>')result = pattern.findall(content)print result

执行结果:

['<div>test1</div>bb<div>test2</div>']

由于正则匹配是贪婪匹配,也就是尽可能多的匹配,因此,在成功匹配到第一个 </div> 时,它还会向右尝试匹配,查看是否还有更长的可以成功匹配的子串。

如果我们想非贪婪匹配,可以加一个 ?,如下:

import recontent = 'aa<div>test1</div>bb<div>test2</div>cc'pattern = re.compile(r'<div>.*?</div>')    # 加上 ?result = pattern.findall(content)print result

结果:

['<div>test1</div>', '<div>test2</div>']小结

re 模块的一般使用步骤如下:

· 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象;

· 通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果(一个 Match 对象);

· 最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作;

Python 的正则匹配默认是贪婪匹配。

 

本文版权归黑马程序员人工智能+Python培训学院所有,欢迎转载,转载请注明作者出处。谢谢!

作者:黑马程序员人工智能+Python培训学院

首发:http://python.itheima.com/

在线咨询 我要报名