Expressions régulières Python

Introduction

Une expression régulière est un modèle qui peut correspondre à des fragments de texte. L'expression régulière la plus simple est une chaîne ordinaire qui correspond à elle-même. Par exemple, expression régulière « bonjour » correspond à la chaîne « bonjour ».

Il convient de noter que l'expression régulière n'est pas un programme, mais un modèle de traitement de chaînes. Si vous souhaitez l'utiliser pour traiter des chaînes, vous devez utiliser un outil prenant en charge les expressions régulières, comme sous Linux. awk, sed, grep ou langages de programmation Perl, Python, Java, etc.

Les expressions régulières existent dans de nombreux styles différents. Le tableau suivant répertorie certains métacaractères et descriptions applicables aux langages de programmation tels que Python ou Perl :

module re

En Python, nous pouvons utiliser le module re intégré pour utiliser des expressions régulières.

Une chose qui nécessite une attention particulière est que les expressions régulières sont utilisées pour échapper aux caractères spéciaux. Par exemple, pour faire correspondre la chaîne « python.org », nous devons utiliser des expressions régulières. 'python.org', et la chaîne de Python elle-même est également échappée, donc l'expression régulière ci-dessus doit être écrite comme 'python.org' en Python, ce qui tombera facilement dans Par conséquent, nous vous recommandons d'utiliser la chaîne d'origine de Python, ajoutez simplement un préfixe r, l'expression régulière ci-dessus peut être écrite comme :

r'python\.org'

le module re fournit de nombreuses fonctions utiles, utilisez Pour faire correspondre les chaînes, telles que :

• fonction de compilation

• fonction de correspondance

• fonction de recherche

• Fonction Findall

• Fonction Finder

• Fonction Split

• sous-fonction

• fonction subn

re Les étapes générales d'utilisation du module sont les suivantes :

• Utiliser la fonction de compilation pour compiler la forme chaîne de l'expression régulière dans un objet Pattern

• Utilisez une série de méthodes fournies par l'objet Pattern pour faire correspondre le texte et obtenir le résultat correspondant (un objet Match )

• Enfin, utilisez les propriétés et méthodes fournies par l'objet Match pour obtenir des informations et effectuez d'autres opérations si nécessaire

• fonction de compilation

La fonction compile est utilisée pour compiler des expressions régulières et générer un objet Pattern. Sa forme d'utilisation générale est la suivante :

re.compile(pattern[, 
flag])

où pattern est une expression régulière sous la forme de. une chaîne, l'indicateur est un paramètre facultatif indiquant le mode de correspondance, tel que l'ignorance de la casse, le mode multiligne, etc.

Maintenant, regardons un exemple.

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

Dans ce qui précède, nous avons compilé une expression régulière dans un objet Pattern. Ensuite, nous pouvons utiliser une série de méthodes de modèle pour faire correspondre le texte. Modèle Certaines méthodes courantes d'objets sont :

• méthode de correspondance

• méthode de recherche

• méthode findall

• méthode finder

• méthode de fractionnement

• sous-méthode

• méthode subn

• méthode de correspondance

match La méthode est utilisée pour trouver le début de la chaîne (vous pouvez également spécifier la position de départ). Il s'agit d'une correspondance unique et renvoie tant qu'un résultat correspondant est trouvé au lieu de rechercher tous les résultats correspondants. Sa forme d'utilisation générale est la suivante :

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

Parmi eux, string est la chaîne à faire correspondre, pos et endpos sont des paramètres facultatifs, spécifiant les positions de début et de fin de la chaîne. Les valeurs par défaut. sont 0 et len (longueur de la chaîne). Par conséquent, lorsque vous ne spécifiez pas pos et endpos, la méthode match correspond par défaut au début de la chaîne.

Lorsque la correspondance est réussie, un objet Match est renvoyé. S'il n'y a pas de correspondance, None est renvoyé.

Regardez des exemples.

>>> 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 m
None
>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
>>> print m
None
>>> 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
&#39;12&#39;
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)

Dans ce qui précède, un objet Match est renvoyé lorsque la correspondance est réussie, où :

• la méthode group([group1, …]) est utilisée pour obtenir une ou plusieurs chaînes A correspondant à un groupe Lorsque vous souhaitez obtenir la totalité de la sous-chaîne correspondante, vous pouvez directement utiliser group() ou. group(0);

• start([group]) est utilisée pour obtenir la position de départ de la sous-chaîne correspondant au groupe dans la chaîne entière (l'index du premier caractère de la sous-chaîne ), la valeur du paramètre par défaut est 0 ; la méthode

• end([group]) est utilisée pour obtenir la position de fin de la sous-chaîne correspondante groupée dans la chaîne entière (la position de fin du dernier caractère de la sous-chaîne Index 1), la valeur du paramètre par défaut est 0 ;

• la méthode span([group]) renvoie (start(group), end(group)).

Regardez un autre exemple :

>>> 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
&#39;Hello 
World&#39;
>>> 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
&#39;Hello&#39;
>>> 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
&#39;World&#39;
>>> 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), ...)
(&#39;Hello&#39;, &#39;World&#39;)
>>> 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 group

méthode de recherche

La méthode de recherche est utilisée pour trouver n'importe quel poste, c'est également une correspondance. Il sera renvoyé tant qu'un résultat correspondant est trouvé au lieu de rechercher tous les résultats correspondants. Sa forme d'utilisation générale est la suivante :

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

où, string est la chaîne à utiliser. être mis en correspondance. , pos et endpos sont des paramètres facultatifs, spécifiant les positions de début et de fin de la chaîne. Les valeurs par défaut sont respectivement 0 et len ​​(longueur de la chaîne).

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()
&#39;12&#39;
>>> m = pattern.search(&#39;one12twothree34four&#39;, 10, 30)  # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
&#39;34&#39;
>>> 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: 123456
position: (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 
re
pattern = re.compile(r'\d+')   # 查找数字
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print 
result1
print 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 
re
pattern = re.compile(r'\d+')
 
result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)
 
print type(result_iter1)
print type(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 &#39;callable-iterator&#39;>
<type &#39;callable-iterator&#39;>
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 re
p = 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 re
p = 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 world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456

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

执行结果：

m1 is: None
matching string: 12

search 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 
re
 
print 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 
re
 
print 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 
re
 
title = 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 re
 
content = &#39;aa<div>test1</div>bb<div>test2</div>cc&#39;
pattern = re.compile(r&#39;<div>.*</div>&#39;)
result = pattern.findall(content)
 
print result

执行结果：

[&#39;<div>test1</div>bb<div>test2</div>&#39;]

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

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 re
 
content = &#39;aa<div>test1</div>bb<div>test2</div>cc&#39;
pattern = re.compile(r&#39;<div>.*?</div>&#39;)    # 加上 ?
result = pattern.findall(content)
 
print result

结果：

[&#39;<div>test1</div>&#39;, 
&#39;<div>test2</div>&#39;]

小结

• re 模块的一般使用步骤如下：

1. 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；

2. 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）；

3. 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

以上就是Python 正则表达式 的内容，更多相关内容请关注PHP中文网（www.php.cn）！