Python の正規表現

はじめに

正規表現は、テキストの断片と一致するパターンです。最も単純な正規表現は、それ自体と一致する通常の文字列です。たとえば、正規表現 「hello」は文字列「hello」と一致します。

正規表現はプログラムではなく、文字列を処理するためのパターンであることに注意してください。正規表現を使用して文字列を処理したい場合は、Linux などの正規表現をサポートするツールを使用する必要があります。 awk、sed、grep、またはプログラミング言語 Perl、Python、Java など。

正規表現にはさまざまな種類があります。次の表に、Python や Perl などのプログラミング言語に適したいくつかのメタキャラクターと説明を示します。 re モジュールは正規表現を使用します。

特別な注意が必要なことの 1 つは、正規表現が特殊文字をエスケープするために使用されることです。たとえば、文字列「python.org」と一致するには、正規表現を使用する必要があります。 'python.org' であり、Python の文字列自体もエスケープされているため、上記の正規表現は Python では 'python.org' と記述する必要があります。 したがって、Python の元の文字列を使用することをお勧めします。接頭辞 r を追加するだけです。上記の正規表現は次のように記述できます。

r'python\.org'

re モジュールには、次のような文字列を照合するための便利な関数が多数用意されています。

compile function

match関数

• search関数

• findall関数

• finditer関数

• split関数

• sub関数

• subn関数

reモジュールを使用するための一般的な手順
コンパイル関数を使用して、正規表現の文字列形式を Pattern オブジェクトにコンパイルします。
Pattern オブジェクトによって提供される一連のメソッドを通じてテキストを照合し、Matching 結果 (Match オブジェクト) を取得します。 )

最後に、Match オブジェクトによって提供されるプロパティとメソッドを使用して情報を取得し、必要に応じて他の操作を実行します
compile 関数
compile 関数は正規表現をコンパイルし、Pattern オブジェクトを生成するために使用されますその一般的な使用形式は次のとおりです:

• re.compile(pattern[, 
  flag])

  このうち、pattern は文字列形式の正規表現で、flag はオプションのパラメータで、大文字と小文字の区別や複数行モードなどの一致パターンを示します。 。

それでは、例を見てみましょう。

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

  上記では、正規表現を Pattern オブジェクトにコンパイルしました。次に、一連のパターンのメソッドを使用してテキストを照合します。パターン オブジェクトの一般的なメソッドは主に次のとおりです。

match メソッド

search メソッド

findall メソッド
finditer メソッド
split メソッド
subメソッド
subnメソッド
matchメソッド
match このメソッドは、文字列の先頭を検索するために使用されます (開始位置を指定することもできます)。すべての一致する結果を検索するのではなく、一致する結果が見つかる限り、返されます。その一般的な使用形式は次のとおりです:

• match(string[, pos[, 
  endpos]])

  このうち、string は照合する文字列で、pos と endpos はオプションのパラメータで、文字列の開始位置と終了位置を指定します。デフォルト値はそれぞれ 0 と len です。 。 (文字列の長さ)。したがって、pos と endpos を指定しない場合、match メソッドはデフォルトで文字列の先頭と一致します。

一致が成功した場合は、Match オブジェクトが返されます。一致しない場合は、None が返されます。

• 例を見てください。

  >>> 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)

上記では、一致が成功した場合に Match オブジェクトが返されます。ここで、

group([group1, …]) メソッドは、一致したサブグループ全体が一致する場合、1 つ以上のグループ一致文字列を取得するために使用されます。 string は文字列を取得するため、group() を直接使用するか、 group(0);

start([group]) メソッドは、文字列全体におけるグループ一致部分文字列の開始位置 (部分文字列の最初の文字のインデックス) を取得するために使用されます。は 0;

end([group]) メソッドは、文字列全体でグループ化された一致する部分文字列の終了位置を取得するために使用されます (部分文字列の最後の文字のインデックス + 1)。パラメータは 0;
span ([group]) メソッドは (start(group), end(group)) を返します。
別の例を見てください:

• >>> 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

  検索メソッド

• 検索メソッドは、文字列内の任意の位置を検索するために使用されます。これは、検索するのではなく、一致する結果が見つかった場合にも返されます。文字列の長さの結果がすべて一致します）。

  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）！