簡介
正規表示式（regular expression）是可以匹配文字片段的模式。最簡單的正規表示式就是普通字串，可以符合其自身。例如，正規表示式
‘hello’ 可以符合字串 ‘hello’。
要注意的是，正規表示式並不是一個程序，而是用於處理字串的一種模式，如果你想用它來處理字串，就必須使用支援正規表示式的工具，例如Linux 中的
awk, sed, grep，或程式語言 Perl, Python, Java 等等。
正規表示式有多種不同的風格，下表列出了適用於Python 或Perl 等程式語言的部分元字元以及說明：
re 模組
在Pytyt 中，我們可以使用Pyt內建的re 模組來使用正規表示式。
有一點需要特別注意的是，正規表示式使用 對特殊字元進行轉義，例如，為了匹配字串 'python.org'，我們需要使用正規表示式
'python.org'，而 Python 的字串本身也用 轉義，所以上面的正規表示式在 Python 中應該寫成 'python.org'，這會很容易陷入
的困擾中，因此，我們建議使用Python 的原始字串，只需加一個r 前綴，上面的正則表達式可以寫成：
re 模組提供了不少有用的函數，用以匹配字串，例如：
compile 函數
match 函數
search 函數
findall 函數
search 函數
sub 函數
subn 函數
re 模組的一般使用步驟如下：
使用compile 函數將正規表示式的字串形式編譯為一個Pattern 物件
透過Pattern 物件提供的一系列方法對文字進行比對匹配結果（一個Match 物件）
最後使用Match 物件提供的屬性和方法獲得信息，根據需要進行其他的操作
compile 函數
，函數用於Pattern 對象，它的一般使用形式如下：
1 2 | re.compile(pattern[,
flag])
|
登入後複製
下面，讓我們來看看例子。
1 2 3 4 5 | import re
#
将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
|
登入後複製
在上面，我們已將一個正規表示式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。 Pattern
物件的一些常用方法主要有：
match 方法
search 方法
findall 方法
- sub 方法
- subn 方法
- match 方法
- match
方法用於查找字串的頭部（也可以指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。它的一般使用形式如下：
1 2 | match(string[, pos[,
endpos]])
|
登入後複製
登入後複製
- 當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。 看看範例。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | >>> 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
'12'
>>> 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)
|
登入後複製
- 在上面，當匹配成功時返回一個Match 對象，其中：
group([group1, …]) 方法用於獲得一個或多個分組匹配的字符串，當要獲得整個匹配的子串時，可直接使用group() 或
group(0)；
start([group]) 方法用於取得分組匹配的子字串在整個字串中的起始位置（子字串第一個字元的索引），參數預設值為0；
end([group]) 方法用於取得分組匹配的子字串在整個字串中的結束位置（子字串最後一個字元的索引+1），參數預設值為0；
- span ([group]) 方法回傳(start(group), end(group))。
- 再看看一個例子：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 | >>> 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 group
|
登入後複製
search 方法- search 方法用於查找字符串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，它的一般使用形式如下：
1 2 | search(string[, pos[,
endpos]])
|
登入後複製
- 其中，string 是待匹配的字串，pos 和endpos 是可選參數，指定字串的起始和終點位置，預設值分別是0 和len (字符串長度)。
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：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | >>> 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)
|
登入後複製
再来看一个例子：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | #
-*- 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()
|
登入後複製
执行结果：
1 2 | matching string: 123456
position: (6, 12)
|
登入後複製
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：
1 2 | findall(string[, pos[,
endpos]])
|
登入後複製
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：
1 2 3 4 5 6 7 8 | 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
|
登入後複製
执行结果：
1 2 | ['123456', '789']
['1', '2']
|
登入後複製
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：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | #
-*- 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())
|
登入後複製
执行结果：
1 2 3 4 5 6 7 8 | <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)
|
登入後複製
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：
1 2 | split(string[,
maxsplit])
|
登入後複製
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：
1 2 3 | import re
p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c d'
|
登入後複製
执行结果：
1 2 | ['a', 'b', 'c',
'd']
|
登入後複製
sub 方法
sub 方法用于替换。它的使用形式如下：
1 2 | sub(repl, string[,
count])
|
登入後複製
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：
1 2 3 4 5 6 7 8 9 10 11 | 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
|
登入後複製
执行结果：
1 2 3 4 | hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
|
登入後複製
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：
1 2 | subn(repl, string[,
count])
|
登入後複製
它返回一个元组：
1 2 | (sub(repl, string[,
count]), 替换次数)
|
登入後複製
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：
1 2 3 4 5 6 7 8 9 10 11 | 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)
|
登入後複製
执行结果：
1 2 3 4 | ('hello world, hello world', 2)
('123 hello, 456 hello', 2)
('hi 123, hi 456', 2)
('hi 123, hello 456', 1)
|
登入後複製
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：
1 2 | re.match(pattern,
string[, flags]):
|
登入後複製
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：
1 2 | match(string[, pos[,
endpos]])
|
登入後複製
登入後複製
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：
1 2 3 4 5 6 7 8 9 10 11 12 13 | 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
|
登入後複製
执行结果：
1 2 | m1 is: None
matching string: 12
|
登入後複製
search 函数
search 函数的使用形式如下：
1 2 | re.search(pattern,
string[, flags])
|
登入後複製
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：
1 2 | re.findall(pattern,
string[, flags])
|
登入後複製
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：
1 2 3 4 5 6 7 8 | import
re
print re.findall(r'\d+', 'hello 12345 789')
#
输出
['12345', '789']
|
登入後複製
finditer 函数
finditer 函数的使用方法跟 Pattern 的 finditer 方法类似，形式如下：
1 2 | re.finditer(pattern,
string[, flags])
|
登入後複製
split 函数
split 函数的使用形式如下：
1 2 | re.split(pattern,
string[, maxsplit])
|
登入後複製
sub 函数
sub 函数的使用形式如下：
1 2 | re.sub(pattern, repl,
string[, count])
|
登入後複製
subn 函数
subn 函数的使用形式如下：
1 2 | re.subn(pattern, repl,
string[, count])
|
登入後複製
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：
1 2 3 4 5 6 7 8 9 | 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')
|
登入後複製
再看第 2 种用法：
1 2 3 4 5 6 | import
re
print re.match(r'\d+', '123, 123')
print re.search(r'\d+', '234, 234')
print re.findall(r'\d+', '345, 345')
|
登入後複製
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：
1 2 3 4 5 6 7 8 9 10 11 | #
-*- coding: utf-8 -*-
import
re
title = u'你好，hello，世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print result
|
登入後複製
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:
1 2 | [u'\u4f60\u597d',
u'\u4e16\u754c']
|
登入後複製
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：
1 2 3 4 5 6 7 | import re
content = 'aa<div>test1</div>bb<div>test2</div>cc'
pattern = re.compile(r'<div>.*</div>')
result = pattern.findall(content)
print result
|
登入後複製
执行结果：
1 | ['<div>test1</div>bb<div>test2</div>']
|
登入後複製
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：
1 2 3 4 5 6 7 | import re
content = 'aa<div>test1</div>bb<div>test2</div>cc'
pattern = re.compile(r'<div>.*?</div>') # 加上 ?
result = pattern.findall(content)
print result
|
登入後複製
结果：
1 2 | ['<div>test1</div>',
'<div>test2</div>']
|
登入後複製
小结
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；
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）！
