「python」正则

正则

基本都是参考：http://funhacks.net/2016/12/27/regular_expression/，部分小改动，感觉讲的蛮好的，做下记录。

正则表达式（regular expression）是可以匹配文本片段的模式。

字符

元字符	说明	正则表达式实例	匹配字符串
一般字符	匹配自身	py	python
.	匹配任意字符（换行符‘n’除外）	p.t	pyt
\	转义字符	python\.org	python.org
[...]	字符集，对应位置可以是字符集中任意字符。 可以逐个列出，也可以给出范围如[1234]，也可以加入^取反，如[^1-4]表示不是1234的其他字符，所有的特殊字符字在字符集中都失去原来的特殊含义	p[xyz]t	pxt,pyt,pzt

预定义字符

元字符	说明	正则表达式实例	匹配字符串
d	数字：[0-9]	p\dy	p3y
D	数字：[^\d]	p\Dy	pay
s	空白字符：[<空格>，t\r\n\f\v]	p\sy	p y
S	非空白字符：[^\s]	p\Sy	pay
w	单词字符：[a-zA-Z0-9]	p\wy	pay
W	非单词字符：[^\w]	p\Wy	p y

数量词

元字符	说明	正则表达式实例	匹配字符串
*	匹配前一个字符任意多次，包括0次	pyt*	py/pyttttt
+	匹配前一个字符至少1次	pyt+	pyt/pyttt
？	匹配前一个字符0次或1次	pyt?	py/pyt
{m}	匹配前一个字符m次	py{2}t	pyyt
{m,n}	匹配前一个字符m至n次，如果省略m,表示匹配0次至n次，如果省略，则表示匹配m次至无限次	py{1,2}t	pyt/pyyt
*?	使得*变成非贪婪模式，类似的还有+？ ，{m,n}?

边界匹配

元字符	说明	正则表达式实例	匹配字符串
^	匹配字符串开头，在多行模式中匹配每一行的开头	^python	python
$	匹配字符串末尾，在多行模式中匹配每一行的末尾	python$	python

逻辑或

元字符	说明	正则表达式实例	匹配字符串
\		先尝试匹配\	左边的表达式，匹配成功则跳过右边的表达式，否则尝试匹配右边的表达式	15[0\	1\	2\	3]	150,151,152,153

分组

元字符	说明	正则表达式实例	匹配字符
（……）	被括起来的表达式作为分组，从表达式左边开始每遇到一个分组的左括号，编号加1	（d+）	123
\<number>	应用编号为<number>的分组匹配到的字符串	(d)abd1	1abd1

re模块

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

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：

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。

import re pattern = re.compile(r'\d+') # 此处将匹配数字至少1次的正则表达式编译成 Pattern 对象 

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。

>>> 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)

在上面，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))。

再看看一个例子：

>>> 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

• 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：

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。

>>> 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)

再来看一个例子：

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：

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。
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。

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：

['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。

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：

<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)

• 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：

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

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

执行结果：

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

• sub 方法

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。

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) 

执行结果：

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：

subn(repl, string[, count])

它返回一个元组：

(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

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：

('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。

• match 函数

match 函数的使用形式如下：

re.match(pattern, string[, flags]):

可以看到，match 函数不能指定字符串的区间，它只能搜索头部

• search 函数

search 函数的使用形式如下：

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

• findall 函数

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

• finditer 函数

finditer 函数的使用方法跟 Pattern 的 finditer 方法类似，形式如下：

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

• split 函数

split 函数的使用形式如下：

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

• sub函数

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

• subn 函数

subn 函数的使用形式如下：

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

两种模式的选择

• 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；

需要重复用到正则表达式，尽量考虑用第一种

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。(python3 不需要加u)

执行结果:

 [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。

比如，我们想找出字符串中的所有 div 块：

import re content = 'aa<div>test1</div>bb<div>test2</div>cc' pattern = re.compile(r'<div>.*</div>') result = pattern.findall(content) print result

执行结果：

['<div>test1</div>bb<div>test2</div>']

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 </div> 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：

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

结果：

['<div>test1</div>', '<div>test2</div>']