Python 正規表現ガイド

この記事では、正規表現の基本、Python 正規表現標準ライブラリの完全な紹介と使用例など、Python の正規表現のサポートについて紹介します。この記事の内容には、効率的な正規表現の作成方法や正規表現の最適化方法は含まれていません。これらのトピックについては、他のチュートリアルを参照してください。

注: この記事は Python2.4 に基づいています。理解できない用語がある場合は、Baidu、Google、Wiki などを思い出してください。

著者の作品を尊重し、転載する場合は著者と元のアドレスを明記してください。正規表現は、文字列を処理するための強力なツールです。独自の構文と独立した処理エンジンを備えています。str 独自のメソッドほど効率的ではないかもしれませんが、非常に強力です。このおかげで、正規表現の構文は、正規表現を提供する言語で同じになります。唯一の違いは、異なるプログラミング言語の実装によってサポートされる構文の数が異なることです。ただし、サポートされていない構文は通常は一部です。それは一般的には使用されません。すでに他の言語で正規表現を使用している場合は、ざっと確認するだけで使い始めることができます。 次の図は、正規表現を使用したマッチング プロセスを示しています。

正規表現の大まかなマッチング プロセスは次のとおりです。すべての文字が一致する場合は、1 回一致します。正常に一致しない文字がある場合、一致は失敗します。式に量指定子や境界がある場合、プロセスは若干異なりますが、以下の図の例を見て、自分で何度か使用すると、簡単に理解できるようになります。

次の図は、Python でサポートされている正規表現のメタ文字と構文を示しています:

1.2. 量指定子の貪欲モードと非貪欲モード

正規表現は通常、テキスト内の一致する文字列を検索するために使用されます。 Python の量指定子はデフォルトで貪欲であり (一部の言語ではデフォルトで非貪欲)、常にできるだけ多くの非貪欲な文字と一致しようとします。逆に、常にできるだけ少ない文字と一致しようとします。たとえば、「abbbc」を検索するために正規表現「ab*」を使用すると、「abbb」が検索されます。また、貪欲でない量指定子「ab*?」を使用すると、「a」が見つかります。

1.3. バックスラッシュの問題

ほとんどのプログラミング言語と同様に、正規表現ではエスケープ文字として "" が使用されるため、バックスラッシュの問題が発生する可能性があります。テキスト内の文字「」と一致する必要がある場合、プログラミング言語で表現される正規表現には 4 つのバックスラッシュ「\\」が必要です。最初の 2 つと最後の 2 つは、プログラミング言語のバックスラッシュにエスケープするために使用され、変換されます。正規表現では 2 つのバックスラッシュに変換され、その後 1 つのバックスラッシュにエスケープされます。 Python のネイティブ文字列は、この問題を非常にうまく解決します。この例の正規表現は r"\" で表すことができます。同様に、数値に一致する「\d」は r"d" と書くことができます。ネイティブ文字列を使用すると、バックスラッシュの欠落を心配する必要がなくなり、作成する式がより直感的になります。

1.4. マッチングパターン

正規表現は、大文字と小文字の区別や複数行のマッチングなど、利用可能なマッチングパターンを提供します。この部分は、Pattern クラスのファクトリメソッド re.compile(pattern[, flags]) 内にあります。一緒に紹介しましょう。

2. re モジュール

2.1. re の使用を開始する

Python は re モジュールを通じて正規表現をサポートします。 re を使用するための一般的な手順は、まず正規表現の文字列形式を Pattern インスタンスにコンパイルし、次に Pattern インスタンスを使用してテキストを処理し、一致結果 (Match インスタンス) を取得し、最後に Match インスタンスを使用して取得します。情報を取得し、その他の操作を実行します。

りー

re.compile(strPattern[, flag]):

このメソッドは、Pattern クラスのファクトリ メソッドであり、文字列形式の正規表現を Pattern オブジェクトにコンパイルするために使用されます。 2 番目のパラメーター フラグは、ビットごとの OR 演算子 '|' を使用して、同時に有効であることを示します (re.I | re.M)。さらに、正規表現文字列でパターンを指定することもできます。たとえば、re.compile('pattern', re.I | re.M) は re.compile('(?im)pattern') と同等です。

オプションの値は次のとおりです:

• 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：

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

m = re.match(r'hello', 'hello world!')
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、\g引用分组，但不能使用编号0。\id与\g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。

import re
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')

print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup

print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')

### output ###
# m.string: hello world!
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'\2 \1\3'): world hello!

2.3. Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

1. pattern: 编译时用的表达式字符串。
2. flags: 编译时用的匹配模式。数字形式。
3. groups: 表达式中分组的数量。
4. groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

import re
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)

print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex

### output ###
# p.pattern: (\w+) (\w+)(?P<sign>.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {'sign': 3}

实例方法[ | re模块方法]：

1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
   这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
   pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
   注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。
   示例参见2.1小节。
2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
   这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
   pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
   

   # encoding: UTF-8 
   import re 
   
   # 将正则表达式编译成Pattern对象 
   pattern = re.compile(r'world') 
   
   # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
   # 这个例子中使用match()无法成功匹配 
   match = pattern.search('hello world!') 
   
   if match: 
       # 使用Match获得分组信息 
       print match.group() 
   
   ### 输出 ### 
   # world 

3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
   按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。
   

   import re
   
   p = re.compile(r'\d+')
   print p.split('one1two2three3four4')
   
   ### output ###
   # ['one', 'two', 'three', 'four', '']

4. findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
   搜索string，以列表形式返回全部能匹配的子串。
   

   import re
   
   p = re.compile(r'\d+')
   print p.findall('one1two2three3four4')
   
   ### output ###
   # ['1', '2', '3', '4']

5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
   搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
   

   import re
   
   p = re.compile(r'\d+')
   for m in p.finditer('one1two2three3four4'):
       print m.group(),
   
   ### output ###
   # 1 2 3 4

6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
   使用repl替换string中每一个匹配的子串后返回替换后的字符串。
   当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
   当repl是一个方法时，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。
   

   import re
   
   p = re.compile(r'(\w+) (\w+)')
   s = 'i say, hello world!'
   
   print p.sub(r'\2 \1', s)
   
   def func(m):
       return m.group(1).title() + ' ' + m.group(2).title()
   
   print p.sub(func, s)
   
   ### output ###
   # say i, world hello!
   # I Say, Hello World!

7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
   返回 (sub(repl, string[, count]), 替换次数)。
   

   import re
   
   p = re.compile(r'(\w+) (\w+)')
   s = 'i say, hello world!'
   
   print p.subn(r'\2 \1', s)
   
   def func(m):
       return m.group(1).title() + ' ' + m.group(2).title()
   
   print p.subn(func, s)
   
   ### output ###
   # ('say i, world hello!', 2)
   # ('I Say, Hello World!', 2)

   以上就是Python对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^

   另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下，如何匹配不是以abc开头的单词，^_^

   全文结束