python 详解re模块

时间:2021-10-26 06:28:27

正则表达式的元字符有. ^ $ * ? { [ ] | ( )
.表示任意字符
[]用来匹配一个指定的字符类别,所谓的字符类别就是你想匹配的一个字符集,对于字符集中的字符可以理解成或的关系。
^ 如果放在字符串的开头,则表示取非的意思。[^5]表示除了5之外的其他字符。而如果^不在字符串的开头,则表示它本身。

具有重复功能的元字符:
* 对于前一个字符重复0到无穷次
对于前一个字符重复1到无穷次
?对于前一个字符重复0到1次
{m,n} 对于前一个字符重复次数在为m到n次,其中,{0,} = *,{1,} = , {0,1} = ?
{m} 对于前一个字符重复m次

\d 匹配任何十进制数;它相当于类 [0-9]。
\D 匹配任何非数字字符;它相当于类 [^0-9]。
\s 匹配任何空白字符;它相当于类 [ fv]。
\S 匹配任何非空白字符;它相当于类 [^ fv]。
\w 匹配任何字母数字字符;它相当于类 [a-zA-Z0-9_]。
\W 匹配任何非字母数字字符;它相当于类 [^a-zA-Z0-9_]。

正则表达式(可以称为REs,regex,regex pattens)是一个小巧的,高度专业化的编程语言,它内嵌于python开发语言中,可通过re模块使用。正则表达式的

pattern可以被编译成一系列的字节码,然后用C编写的引擎执行。下面简单介绍下正则表达式的语法

正则表达式包含一个元字符(metacharacter)的列表,列表值如下:    . ^ $ * + ? { [ ] \ | ( )

    1.元字符([ ]),它用来指定一个character class。所谓character classes就是你想要匹配的字符(character)的集合.字符(character)可以单个的列出,也可以通过"-"来分隔两个字符来表示一 个范围。例如,[abc]匹配a,b或者c当中任意一个字符,[abc]也可以用字符区间来表示---[a-c].如果想要匹配单个大写字母,你可以用 [A-Z]。

元字符(metacharacters)在character class里面不起作用,如[akm$]将匹配"a","k","m","$"中的任意一个字符。在这里元字符(metacharacter)"$"就是一个普通字符。

2.元字符[^]. 你可以用补集来匹配不在区间范围内的字符。其做法是把"^"作为类别的首个字符;其它地方的"^"只会简单匹配 "^"字符本身。例如,[^5] 将匹配除 "5" 之外的任意字符。同时,在[ ]外,元字符^表示匹配字符串的开始,如"^ab+"表示以ab开头的字符串。

举例验证,

>>> m=re.search("^ab+","asdfabbbb")
  >>> print m
    None
    >>> m=re.search("ab+","asdfabbbb")
    >>> print m
    <_sre.SRE_Match object at 0x011B1988>
    >>> print m.group()
    abbbb

上例不能用re.match,因为match匹配字符串的开始,我们无法验证元字符"^"是否代表字符串的开始位置。

>>> m=re.match("^ab+","asdfabbbb")
    >>> print m
    None
    >>> m=re.match("ab+","asdfabbbb")
    >>> print m
    None

#验证在元字符[]中,"^"在不同位置所代表的意义。
 >>> re.search("[^abc]","abcd")  #"^"在首字符表示取反,即abc之外的任意字符。
 <_sre.SRE_Match object at 0x011B19F8>
 >>> m=re.search("[^abc]","abcd")
 >>> m.group()
 'd'
 >>> m=re.search("[abc^]","^")  #如果"^"在[ ]中不是首字符,那么那就是一个普通字符
 >>> m.group()
 '^'

不过对于元字符”^”有这么一个疑问.官方文档http://docs.python.org/library/re.html有关元字符”^”有这么一句话,Matches the start

of the string, and in MULTILINE mode also matches immediately after each newline.

我理解的是”^”匹配字符串的开始,在MULTILINE模式下,也匹配换行符之后。

 >>> m=re.search("^a\w+","abcdfa\na1b2c3")

>>> m.group()

 'abcdfa'

 >>> m=re.search("^a\w+","abcdfa\na1b2c3",re.MULTILINE),

 >>> m.group()  #

 'abcdfa'

我 认为flag设定为re.MULTILINE,根据上面那段话,他也应该匹配换行符之后,所以应该有m.group应该有"a1b2c3",但是结果没 有,用findall来尝试,可以找到结果。所以这里我理解之所以group里面没有,是因为search和match方法是匹配到就返回,而不是去匹配 所有。

 >>> m=re.findall("^a\w+","abcdfa\na1b2c3",re.MULTILINE)

 >>> m

 ['abcdfa', 'a1b2c3']

3. 元字符(\),元字符backslash。做为 Python 中的字符串字母,反斜杠后面可以加不同的字符以表示不同特殊意义。

它也可以用于取消所有的元字符,这样你 就可以在模式中匹配它们了。例如,如果你需要匹配字符 "[" 或 "\",你可以在它们之前用反斜杠来取消它们的特殊意义: \[ 或 \\

4。元字符($)匹配字符串的结尾或者字符串结尾的换行之前。(在MULTILINE模式下,"$"也匹配换行之前)

正则表达式"foo"既匹配"foo"又匹配"foobar",而"foo$"仅仅匹配"foo".

  

   >>> re.findall("foo.$","foo1\nfoo2\n")#匹配字符串的结尾的换行符之前。
     ['foo2']

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

  >>> m=re.search("foo.$","foo1\nfoo2\n")
  >>> m
  <_sre.SRE_Match object at 0x00A27170>
  >>> m.group()
  'foo2'
  >>> m=re.search("foo.$","foo1\nfoo2\n",re.MULTILINE)
  >>> m.group()
  'foo1'

看来re.MULTILINE对$的影响还是蛮大的。

5.元字符(*),匹配0个或多个

6.元字符(?),匹配一个或者0个

7.元字符(+), 匹配一个或者多个
     8,元字符(|), 表示"或",如A|B,其中A,B为正则表达式,表示匹配A或者B

9.元字符({})

{m},用来表示前面正则表达式的m次copy,如"a{5}",表示匹配5个”a”,即"aaaaa"

 >>> re.findall("a{5}","aaaaaaaaaa")
 ['aaaaa', 'aaaaa']
 >>> re.findall("a{5}","aaaaaaaaa")
 ['aaaaa']

{m.n}用来表示前面正则表达式的m到n次copy,尝试匹配尽可能多的copy。

>>> re.findall("a{2,4}","aaaaaaaa")
 ['aaaa', 'aaaa']
   通过上面的例子,可以看到{m,n},正则表达式优先匹配n,而不是m,因为结果不是["aa","aa","aa","aa"]

>>> re.findall("a{2}","aaaaaaaa")
 ['aa', 'aa', 'aa', 'aa']

{m,n}?  用来表示前面正则表达式的m到n次copy,尝试匹配尽可能少的copy   

 >>> re.findall("a{2,4}?","aaaaaaaa")
 ['aa', 'aa', 'aa', 'aa']

10。元字符(  "( )" ),用来表示一个group的开始和结束。

比较常用的有(REs),(?P<name>REs),这是无名称的组和有名称的group,有名称的group,可以通过matchObject.group(name)

获取匹配的group,而无名称的group可以通过从1开始的group序号来获取匹配的组,如matchObject.group(1)。具体应用将在下面的group()方法中举例讲解

11.元字符(.)

 元字符“.”在默认模式下,匹配除换行符外的所有字符。在DOTALL模式下,匹配所有字符,包括换行符。

 >>> import re

 >>> re.match(".","\n")

 >>> m=re.match(".","\n")

 >>> print m

 None

 >>> m=re.match(".","\n",re.DOTALL)

 >>> print m

 <_sre.SRE_Match object at 0x00C2CE20>

 >>> m.group()

 '\n'

 下面我们首先来看一下Match Object对象拥有的方法,下面是常用的几个方法的简单介绍

 1.group([group1,…])

   返回匹配到的一个或者多个子组。如果是一个参数,那么结果就是一个字符串,如果是多个参数,那么结果就是一个参数一个item的元组。group1的默 认值为0(将返回所有的匹配值).如果groupN参数为0,相对应的返回值就是全部匹配的字符串,如果group1的值是[1…99]范围之内的,那么 将匹配对应括号组的字符串。如果组号是负的或者比pattern中定义的组号大,那么将抛出IndexError异常。如果pattern没有匹配到,但 是group匹配到了,那么group的值也为None。如果一个pattern可以匹配多个,那么组对应的是样式匹配的最后一个。另外,子组是根据括号 从左向右来进行区分的。

 >>> m=re.match("(\w+) (\w+)","abcd efgh, chaj")

 >>> m.group()            # 匹配全部

 'abcd efgh'

 >>> m.group(1)     # 第一个括号的子组.

 'abcd'

 >>> m.group(2)

 'efgh'

 >>> m.group(1,2)           # 多个参数返回一个元组

 ('abcd', 'efgh')

 >>> m=re.match("(?P<first_name>\w+) (?P<last_name>\w+)","sam lee")
 >>> m.group("first_name")  #使用group获取含有name的子组
 'sam'
 >>> m.group("last_name")
 'lee'

 下面把括号去掉

 >>> m=re.match("\w+ \w+","abcd efgh, chaj")

 >>> m.group()

 'abcd efgh'

 >>> m.group(1)

 Traceback (most recent call last):

File "<pyshell#32>", line 1, in <module>

m.group(1)

 IndexError: no such group

 If a group matches multiple times, only the last match is accessible:

如果一个组匹配多个,那么仅仅返回匹配的最后一个的。

 >>> m=re.match(r"(..)+","a1b2c3")

 >>> m.group(1)

 'c3'

 >>> m.group()

 'a1b2c3'

 Group的默认值为0,返回正则表达式pattern匹配到的字符串

 >>> s="afkak1aafal12345adadsfa"

 >>> pattern=r"(\d)\w+(\d{2})\w"

 >>> m=re.match(pattern,s)

 >>> print m

 None

 >>> m=re.search(pattern,s)

 >>> m

 <_sre.SRE_Match object at 0x00C2FDA0>

 >>> m.group()

 '1aafal12345a'

 >>> m.group(1)

 '1'

 >>> m.group(2)

 '45'

 >>> m.group(1,2,0)

 ('1', '45', '1aafal12345a')

 2。groups([default])

 返回一个包含所有子组的元组。Default是用来设置没有匹配到组的默认值的。Default默认是"None”,

 >>> m=re.match("(\d+)\.(\d+)","23.123")

 >>> m.groups()

 ('23', '123')

 >>> m=re.match("(\d+)\.?(\d+)?","24") #这里的第二个\d没有匹配到,使用默认值"None"

 >>> m.groups()

 ('24', None)

 >>> m.groups("0")

 ('24', '0')

 3.groupdict([default])

 返回匹配到的所有命名子组的字典。Key是name值,value是匹配到的值。参数default是没有匹配到的子组的默认值。这里与groups()方法的参数是一样的。默认值为None

 >>> m=re.match("(\w+) (\w+)","hello world")

 >>> m.groupdict()

 {}

 >>> m=re.match("(?P<first>\w+) (?P<secode>\w+)","hello world")

 >>> m.groupdict()

 {'secode': 'world', 'first': 'hello'}

 通过上例可以看出,groupdict()对没有name的子组不起作用

正则表达式对象

 re.search(string[, pos[, endpos]])

 扫描字符串string,查找与正则表达式匹配的位置。如果找到一个匹配就返回一个MatchObject对象(并不会匹配所有的)。如果没有找到那么返回None。

 第二个参数表示从字符串的那个位置开始,默认是0

 第三个参数endpos限定字符串最远被查找到哪里。默认值就是字符串的长度。.

 >>> m=re.search("abcd", '1abcd2abcd')
 >>> m.group()  #找到即返回一个match object,然后根据该对象的方法,查找匹配到的结果。
 'abcd'
 >>> m.start()
 1
 >>> m.end()
 5

 >>> re.findall("abcd","1abcd2abcd")
 ['abcd', 'abcd']

 re.split(patternstring[, maxsplit=0flags=0])

 用pattern来拆分string。如果pattern有含有括号,那么在pattern中所有的组也会返回。

 >>> re.split("\W+","words,words,works",1)

 ['words', 'words,works']

 >>> re.split("[a-z]","0A3b9z",re.IGNORECASE)

 ['0A3', '9', '']

 >>> re.split("[a-z]+","0A3b9z",re.IGNORECASE)

 ['0A3', '9', '']

 >>> re.split("[a-zA-Z]+","0A3b9z")

 ['0', '3', '9', '']

 >>> re.split('[a-f]+', '0a3B9', re.IGNORECASE)#re.IGNORECASE用来忽略pattern中的大小写。

 ['0', '3B9']

 如果在split的时候捕获了组,并且匹配字符串的开始,那么返回的结果将会以一个空串开始。

 >>> re.split('(\W+)', '...words, words...')

 ['', '...', 'words', ', ', 'words', '...', '']

 >>> re.split('(\W+)', 'words, words...')

 ['words', ', ', 'words', '...', '']

 re.findall(patternstring[, flags])

 以list的形式返回string中所有与pattern匹配的不重叠的字符串。String从左向右扫描,匹配的返回结果也是以这个顺序。

 Return all non-overlapping matches of pattern in string, as a list of strings. The string is scanned left-to-right, and matches are returned in the order found. If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result unless they touch the beginning of another match.

 >>> re.findall('(\W+)', 'words, words...')

 [', ', '...']

 >>> re.findall('(\W+)d', 'words, words...d')

 ['...']

 >>> re.findall('(\W+)d', '...dwords, words...d')

 ['...', '...']

 re.finditer(patternstring[, flags])

 与findall类似,只不过是返回list,而是返回了一个叠代器

 我们来看一个sub和subn的例子

 >>> re.sub("\d","abc1def2hijk","RE")

 'RE'

 >>> x=re.sub("\d","abc1def2hijk","RE")

 >>> x

 'RE'

 >>> re.sub("\d","RE","abc1def2hijk",)

 'abcREdefREhijk'

 >>> re.subn("\d","RE","abc1def2hijk",)

 ('abcREdefREhijk', 2)

 通过例子我们可以看出sub和subn的差别:sub返回替换后的字符串,而subn返回由替换后的字符串以及替换的个数组成的元组。

 re.sub(patternreplstring[, countflags])

用repl替换字符串string中的pattern。如果pattern没有匹配到,那么返回的字符串没有变化]。Repl可以是一个字符串,也可以是 一个function。如果是字符串,如果repl是个方法/函数。对于所有的pattern匹配到。他都回调用这个方法/函数。这个函数和方法使用单个 match object作为参数,然后返回替换后的字符串。下面是官网提供的例子:

>>> def dashrepl(matchobj):
...     if matchobj.group(0) == '-': return ' '
...     else: retu