关于Python正则表达式re模块的介绍

</p>

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’。</p>

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。</p>

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：</p>

</p>

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。</p>

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：</p>

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：</p>

• compile 函数</p>

• match 函数</p>

• search 函数</p>

• findall 函数</p>

• finditer 函数</p>

• split 函数</p>

• sub 函数</p>

• subn 函数</p>

re 模块的一般使用步骤如下：</p>

• 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</p>

• 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）</p>

• 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</p>

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：</p>

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。</p>

下面，让我们看看例子。</p>

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：</p>

• match 方法</p>

• search 方法</p>

• findall 方法</p>

• finditer 方法</p>

• split 方法</p>

• sub 方法</p>

• subn 方法</p>

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：</p>

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。</p>

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

看看例子。</p>

>>> 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)

在上面，当匹配成功时返回一个 Match 对象，其中：</p>

• 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)；</p>

• 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；</p>

• 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；</p>

• span([group]) 方法返回 (start(group), end(group))。</p>

再看看一个例子：</p>

>>> 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

search 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：</p>

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)。</p>

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

让我们看看例子：</p>

>>> 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：</p>

# -*- 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：</p>

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。</p>

findall 方法的使用形式如下：</p>

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)。</p>

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。</p>

看看例子：</p>

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：</p>

['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。</p>

看看例子：</p>

# -*- 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：</p>

<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：</p>

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。</p>

看看例子：</p>

import re

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

执行结果：</p>

['a', 'b', 'c', 'd']

sub 方法

sub 方法用于替换。它的使用形式如下：</p>

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：</p>

• 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；</p>

• 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）。</p>

count 用于指定最多替换次数，不指定时全部替换。</p>

看看例子：</p>

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：</p>

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：</p>

subn(repl, string[, count])

它返回一个元组：</p>

(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。</p>

看看例子：</p>

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：</p>

('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。</p>

match 函数

match 函数的使用形式如下：</p>

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]+。</p>

而 Pattern 对象的 match 方法使用形式是：</p>

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：</p>

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：</p>

m1 is: None
matching string: 12

search 函数

search 函数的使用形式如下：</p>

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。</p>

findall 函数

findall 函数的使用形式如下：</p>

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。</p>

看看例子：</p>

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：</p>

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

split 函数

split 函数的使用形式如下：</p>

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

sub 函数

sub 函数的使用形式如下：</p>

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

subn 函数

subn 函数的使用形式如下：</p>

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：</p>

• 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；</p>

• 直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找；</p>

下面，我们用一个例子展示这两种方法。</p>

先看第 1 种用法：</p>

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：</p>

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。</p>

因此，我们推荐使用第 1 种用法。</p>

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。</p>

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：</p>

# -*- 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。</p>

执行结果:</p>

[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。</p>

比如，我们想找出字符串中的所有 p 块：</p>

import re

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

print result

执行结果：</p>

[&#39;<p>test1</p>bb<p>test2</p>&#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 </p> 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。</p>

如果我们想非贪婪匹配，可以加一个 ?，如下：</p>

import re

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

print result

结果：</p>

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

小结

re 模块的一般使用步骤如下：</p>

• 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；</p>

• 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）；</p>

• 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；</p>

Python 的正则匹配默认是贪婪匹配。</p>

</p>

</p>

以上是关于Python正则表达式re模块的介绍的详细内容。更多信息请关注PHP中文网其他相关文章！