2015-6-8-python正则表达式模块的使用

时间：2022-10-02 22:34:20

0. 前言

发现自己在使用python的正则模块的时候，经常忘记具体的使用方法，搜索的话很快能得到解答，但过不了一阵就又忘记，而官方API文档有时候查找也是个麻烦。所以也就写个备忘，按照用途来归纳一下网上有的一些使用RE模块的经验。注意，本篇不讲述基本概念。
首先当然是要 

import re

1. 用法

1.1 先compile后match

适用于模式需要多次使用 

p = re.compile('ab*')# p:re.RegexObject
p.match("abbbb")#将返回一个 MatchObject

compile方法可以接受一些标志常量作为第二个参数，例如re.IGNORECASE
返回的MatchObject可以做进一步操作：

方法/属性 作用
group() 返回被 RE 匹配的字符串
start() 返回匹配开始的位置
end() 返回匹配结束的位置
span() 返回一个元组包含匹配 (开始,结束) 的位置

具体效果用一次就知道。

1.2 直接匹配

如果模式不需要多次使用，直接匹配即可：

re.match(patternString, text)#返回的是MatchObject

这些模块级函数的基本用法与RegexObject几乎一致，只是需要传入一个pattern参数，不再赘述。

1.3 match与search

只有在字符串的开头开始匹配，match才会返回MatchObject对象，而search则在全text中寻找匹配。例如

line = "Cats are smarter than dogs";

#No match!!
matchObj = re.match( r'dogs', line, re.M|re.I)
if matchObj:
   print "match --> matchObj.group() : ", matchObj.group()
else:
   print "No match!!"# if line="dogs are smarter than cats", things change

#search --> matchObj.group() : dogs
searchObj = re.search( r'dogs', line, re.M|re.I)
if searchObj:
   print "search --> searchObj.group() : ", searchObj.group()
else:
   print "Nothing found!!"

1.4 特殊符号

特殊符号主要是.,\,$,^等具有特殊意义的符号，这些符号的一般用法我不予介绍，在第2节的规则图中都有说明，本小节只介绍特殊用法。

'\'
反斜杠在正则表达式中用于转义。同时注意，在python的字符串中反斜杠同样用于转义，所以反斜杠会经过两层解释：python字符串解释，正则表达式解释。
这可能导致一些意料之外的问题，例如想在Latex文本中匹配\section，它作为RE表达式，需要写成'\\section'转义反斜杠，同时，如果它直接作为字符串参数传入RE模块，则还要分别对这两个反斜杠转义，写成'\\\\section'，显然这不漂亮。
一种便捷的方式是使用raw字符，这可以免去字符串转义，写成r'\\section'。但是注意，这时候所有字符串中的特殊转义就无用了，r'\n'将被识别为一个'\'和一个'n'。
另一种就是老老实实用compile。

'.'
点号，如果指定了 DOTALL 标记，匹配包括换行符在内的任意一个字符。

'^'
尖号，在MULTILINE 模式下，将匹配任意一个新行的开始。

'$'
dollar符号，匹配一个字符串的结尾或者字符串最后面的换行符，在MULTILINE模式下，匹配任意一行的行尾。也就是说，普通模式下，foo.$去搜索'foo1\nfoo2\n'只会找到'foo2'，但是在 MULTILINE 模式，还能找到 'foo1'，而且就用一个 $去搜索'foo\n'的话，会找到两个空的匹配：一个是最后的换行符，一个是字符串的结尾，演示：

>>> re.findall('(foo.$)', 'foo1\nfoo2\n')
['foo2']
>>> re.findall('(foo.$)', 'foo1\nfoo2\n', re.MULTILINE)
['foo1', 'foo2']
>>> re.findall('($)', 'foo\n')
['', '']

*?, +?, ??
'*'，'+'和'?'都是贪婪的，但这也许并不是我们所要的。可以在后面加个问号，将策略改为非贪婪，只匹配尽量短的RE。示例，体会两者的区别：

>>> re.findall('<(.*)>', '<H1>title</H1>')
['H1>title</H1']
>>> re.findall('<(.*?)>', '<H1>title</H1>')
['H1', '/H1']

{m,n}?
{m,n}，也是贪婪的，a{3,5}如果有5个以上连续a的话，会匹配5个，这个也可以通过加问号改变。a{3,5}?如果可能的话，将只匹配3个a。
(?…)
这是一个表达式的扩展符号。’?’后的第一个字母决定了整个表达式的语法和含义，除了(?P…)以外，表达式不会产生一个新的组。如果需要指定匹配模式或者需要对匹配起别名以便提取，可以使用这个符号。

\b
匹配单词边界（包括开始和结束），这里的“单词”，是指连续的字母、数字和下划线组成的字符串。注意，\b的定义是\w和\W的交界，所以精确的定义有赖于UNICODE和LOCALE这两个标志位。

\B
和\b相反，\B匹配非单词边界。
\b和\B是零宽界定符(zero-width assertions)

前向界定符(lookahead assertion)
前向界定符也是一种零宽界定符(zero-width assertion)。前向界定符包括前向肯定界定符和前向否定界定符，如下所示：
(?=...)
前向肯定界定符。如果所含正则表达式(以 ... 表示)在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎并不会停止，模式的剩余部分还要尝试匹配界定符的右边。
(?!...)
前向否定界定符。与肯定界定符相反，当所含表达式不能在字符串当前位置匹配时成功，模式的剩余部分继续参与匹配。
文字描述可能不太好理解，看例子
要求匹配所有文件扩展名不为bat的文件，包括.ba,.batch等。

.*[.](?!bat$).*$

使用了前向否定界定，当bat$匹配失败时，当前位置不移动，继续匹配后面的表达式，当bat$匹配成功时，当前位置失败，停止匹配并返回。
前向否定的意思：在当前位置向前看（前向），如果表达式 bat$ 不会被匹配，尝试模式的其余部分（当做没有这个表达式，当前位置不变）；如果 bat$ 匹配，整个模式将失败（否定）。后面的 $ 是为了确保象 “sample.batch” 这样以 “bat” 开头的扩展名会被允许。

2. 正则表达式的规则

一图胜千言
2015-6-8-python正则表达式模块的使用

3. 字符串操作

RegexObject提供一些方法来对字符串进行操作。

方法/属性 作用
split(string [, maxsplit = 0]) 将字符串在 RE 匹配的地方分片并生成一个列表
sub(replacement, string[, count = 0]) 找到 RE 匹配的所有子串，并将其用一个不同的字符串替换
subn(replacement, string[, count = 0]) 与 sub() 相同，但返回新的字符串和替换次数

replacement中可以使用逆向引用，与正则匹配规则一样，字符串中的转义符号例如\n会被解释为对应的控制符，r'\n'则不会。
需要了解更多的方法可以查看官方文档

4. reference

比较详细Python正则表达式操作指南(re使用)
python正则表达式re模块详细介绍
Python正则表达式
Python正则表达式的七个使用范例
【循序渐进学Python】12.Python 正则表达式简介
Python doc
Python中使用正则表达式

标签：

相关文章