Python 正则表达式

正则表达式

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

• 在正则表达式中，如果直接给出字符，就是精确匹配。

• 用\d可以匹配一个数字，\w可以匹配一个字母或数字
  ‘00\d’可以匹配’007’，但无法匹配’00A’；
  ‘\d\d\d’可以匹配’010’；
  ‘\w\w\d’可以匹配’py3’；

• .可以匹配任意字符
  ‘py.’可以匹配’pyc’、’pyo’、’py!’等等

• 要匹配变长的字符，在正则表达式中，
  用*表示任意个字符（包括0个）
  用+表示至少一个字符
  用?表示0个或1个字符
  用{n}表示n个字符
  用{n,m}表示n-m个字符

  来看一个复杂的例子：\d{3}\s+\d{3,8}
  \d{3}表示匹配3个数字，例如'010'；
  \s可以匹配一个空格（也包括Tab等空白符），所以\s+表示至少有一个空格，例如匹配' '，' '等；
  \d{3,8}表示3-8个数字，例如'1234567'。
  综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
  如果要匹配'010-12345'这样的号码呢？由于'-'是特殊字符，在正则表达式中，要用'\'转义，所以，上面的正则是\d{3}\-\d{3,8}。
  但是，仍然无法匹配'010 - 12345'，因为带有空格。所以我们需要更复杂的匹配方式。

• 要做更精确地匹配，可以用[]表示范围
  [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线
  [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如’a100’，’0_Z’，’Py3000’等等。
  [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量。
  [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。

• A|B可以匹配A或B，所以(P|p)ython可以匹配’Python’或者’python’。

• ^表示行的开头，^\d表示必须以数字开头。

• $表示行的结束，\d$表示必须以数字结束。

• 由于Python的字符串本身也用\转义，所以要特别注意：
  s = ‘ABC\\-001’ # Python的字符串
  对应的正则表达式字符串变成：
  ‘ABC\-001’

• 建议使用Python的r前缀，就不用考虑转义的问题
  s = r’ABC-001’ # Python的字符串
  对应的正则表达式字符串不变：
  ‘ABC-001’

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

• 给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；
• 通过正则表达式，从文本字符串中获取我们想要的特定部分（“过滤”）。

Python 的 re 模块

正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀。

re 模块的一般使用步骤如下：

• 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

compile 函数

如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤。

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：

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：

match 方法

match 方法：从起始位置开始查找，一次匹配。

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：

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。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。
当匹配成功时返回一个 Match 对象，其中：

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)；

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；

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；

span([group]) 方法返回 (start(group), end(group))。

search 方法

search 方法：从任何位置开始查找，一次匹配。

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：

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)。

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

findall 方法

findall 方法：全部匹配，返回列表

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。

finditer 方法

finditer 方法：全部匹配，返回迭代器

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。

split 方法

split 方法：分割字符串，返回列表
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。

sub 方法

sub 方法：替换

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。

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：

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']

贪婪模式与非贪婪*模式

• 贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；
• 非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；

Python里数量词默认是贪婪的。