Python正则表达式指南

痛定思痛。 2023-07-20 12:23 3阅读 0赞

## 1. 正则表达式基础 ##

### 1.1. 简单介绍 ###

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

下图展示了使用正则表达式进行匹配的流程：

![re\_simple\_38246a58-83be-4adf-9f30-6d735e9b9b47.png][re_simple_38246a58-83be-4adf-9f30-6d735e9b9b47.png]

正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。

下图列出了Python支持的正则表达式元字符和语法：

![pyre\_ebb9ce1c-e5e8-4219-a8ae-7ee620d5f9f1.png][pyre_ebb9ce1c-e5e8-4219-a8ae-7ee620d5f9f1.png]![uploading.4e448015.gif][]转存失败重新上传取消![pyre][pyre_ebb9ce1c-e5e8-4219-a8ae-7ee620d5f9f1.png]

### 1.2. 数量词的贪婪模式与非贪婪模式 ###

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab\*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab\*?"，将找到"a"。

### 1.3. 反斜杠的困扰 ###

与大多数编程语言相同，正则表达式里使用"\\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\\\"表示。同样，匹配一个数字的"\\\\d"可以写成r"\\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

### 1.4. 匹配模式 ###

正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern\[, flags\])中一起介绍。

## 2. re模块 ##

### 2.1. 开始使用re ###

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

# encoding: UTF-8
    import re
     
    # 将正则表达式编译成Pattern对象
    pattern = re.compile(r'hello')
     
    # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
    match = pattern.match('hello world!')
     
    if match:
        # 使用Match获得分组信息
        print match.group()
     
    ### 输出 ###
    # hello

**re.compile(strPattern\[, flag\]):**

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。  
可选值有：

*  re.**I**(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
 *  **M**(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
 *  **S**(DOTALL): 点任意匹配模式，改变'.'的行为
 *  **L**(LOCALE): 使预定字符类 \\w \\W \\b \\B \\s \\S 取决于当前区域设定
 *  **U**(UNICODE): 使预定字符类 \\w \\W \\b \\B \\s \\S \\d \\D 取决于unicode定义的字符属性
 *  **X**(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

a = re.compile(r"""\d +  # the integral part
                       \.    # the decimal point
                       \d *  # some fractional digits""", re.X)
    b = re.compile(r"\d+\.\d*")

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

m = re.match(r'hello', 'hello world!')
    print m.group()

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如\*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

### 2.2. Match ###

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

1.  **string**: 匹配时使用的文本。
2.  **re**: 匹配时使用的Pattern对象。
3.  **pos**: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4.  **endpos**: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5.  **lastindex**: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6.  **lastgroup**: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

1.  **group(\[group1, …\]):**  
    获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2.  **groups(\[default\]):**  
    以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
3.  **groupdict(\[default\]):**  
    返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
4.  **start(\[group\]):**  
    返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
5.  **end(\[group\]):**  
    返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
6.  **span(\[group\]):**  
    返回(start(group), end(group))。
7.  **expand(template):**  
    将匹配到的分组代入template中然后返回。template中可以使用\\id或\\g<id>、\\g<name>引用分组，但不能使用编号0。\\id与\\g<id>是等价的；但\\10将被认为是第10个分组，如果你想表达\\1之后是字符'0'，只能使用\\g<1>0。

import re
    m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
     
    print "m.string:", m.string
    print "m.re:", m.re
    print "m.pos:", m.pos
    print "m.endpos:", m.endpos
    print "m.lastindex:", m.lastindex
    print "m.lastgroup:", m.lastgroup
     
    print "m.group(1,2):", m.group(1, 2)
    print "m.groups():", m.groups()
    print "m.groupdict():", m.groupdict()
    print "m.start(2):", m.start(2)
    print "m.end(2):", m.end(2)
    print "m.span(2):", m.span(2)
    print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')
     
    ### output ###
    # m.string: hello world!
    # m.re: <_sre.SRE_Pattern object at 0x016E1A38>
    # m.pos: 0
    # m.endpos: 12
    # m.lastindex: 3
    # m.lastgroup: sign
    # m.group(1,2): ('hello', 'world')
    # m.groups(): ('hello', 'world', '!')
    # m.groupdict(): {'sign': '!'}
    # m.start(2): 6
    # m.end(2): 11
    # m.span(2): (6, 11)
    # m.expand(r'\2 \1\3'): world hello!

m = re.match(r"(\w+)  (\w+)(?P<sign>.*)", "666__hello  world   !!!!")
    
    print("m.string:", m.string)
    print("m.re:", m.re)
    print("m.pos:", m.pos)
    print("m.endpos:", m.endpos)
    print("m.lastindex:", m.lastindex)
    print("m.lastgroup:", m.lastgroup)
    
    print("m.group(1,2):", m.group(1, 2))
    print("m.groups():", m.groups())
    print("m.groupdict():", m.groupdict())
    print("m.start(2):", m.start(2))
    print("m.end(2):", m.end(2))
    print("m.span(2):", m.span(2))
    print("m.expand(r\"\\2 \\1\\3\"):", m.expand(r"\2 \1\3"))
    
    # m.string: 666__hello  world   !!!!
    # m.re: re.compile('(\\w+)  (\\w+)(?P<sign>.*)')
    # m.pos: 0
    # m.endpos: 24
    # m.lastindex: 3
    # m.lastgroup: sign
    # m.group(1,2): ('666__hello', 'world')
    # m.groups(): ('666__hello', 'world', '   !!!!')
    # m.groupdict(): {'sign': '   !!!!'}
    # m.start(2): 12
    # m.end(2): 17
    # m.span(2): (12, 17)
    # m.expand(r"\2 \1\3"): world 666__hello   !!!!

### 2.3. Pattern ###

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

1.  pattern: 编译时用的表达式字符串。
2.  flags: 编译时用的匹配模式。数字形式。
3.  groups: 表达式中分组的数量。
4.  groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

import re
    
    p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
    
    print("p.pattern:", p.pattern)
    print("p.flags:", p.flags)
    print("p.groups:", p.groups)
    print("p.groupindex:", p.groupindex)
    
    ### output ###
    # p.pattern: (\w+) (\w+)(?P<sign>.*)
    # p.flags: 16
    # p.groups: 3
    # p.groupindex: {'sign': 3}

实例方法\[ | re模块方法\]：

1.  **match(string\[, pos\[, endpos\]\]) | re.match(pattern, string\[, flags\]):**  
    这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。  
    pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。  
    注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。  
    示例参见2.1小节。
2.  **search(string\[, pos\[, endpos\]\]) | re.search(pattern, string\[, flags\]):**  
    这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。  
    pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

# encoding: UTF-8 
    import re 
     
    # 将正则表达式编译成Pattern对象 
    pattern = re.compile(r'world') 
     
    # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
    # 这个例子中使用match()无法成功匹配 
    match = pattern.search('hello world!') 
     
    if match: 
        # 使用Match获得分组信息 
        print match.group() 
     
    ### 输出 ### 
    # world

**3. split(string\[, maxsplit\]) | re.split(pattern, string\[, maxsplit\]):**  
按照能够匹配的子串将string分割后返回列表。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'\d+')
    print p.split('one1two2three3four4')
     
    ### output ###
    # ['one', 'two', 'three', 'four', '']

**4.** **findall(string\[, pos\[, endpos\]\]) | re.findall(pattern, string\[, flags\]):**  
搜索string，以列表形式返回全部能匹配的子串。

import re
     
    p = re.compile(r'\d+')
    print p.findall('one1two2three3four4')
     
    ### output ###
    # ['1', '2', '3', '4']

**5.finditer(string\[, pos\[, endpos\]\]) | re.finditer(pattern, string\[, flags\]):**  
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

import re
     
    p = re.compile(r'\d+')
    for m in p.finditer('one1two2three3four4'):
        print m.group(),
     
    ### output ###
    # 1 2 3 4

**6.sub(repl, string\[, count\]) | re.sub(pattern, repl, string\[, count\]):**  
使用repl替换string中每一个匹配的子串后返回替换后的字符串。  
当repl是一个字符串时，可以使用\\id或\\g<id>、\\g<name>引用分组，但不能使用编号0。  
当repl是一个方法时，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 = 'i say, hello world!'
     
    print p.sub(r'\2 \1', s)
     
    def func(m):
        return m.group(1).title() + ' ' + m.group(2).title()
     
    print p.sub(func, s)
     
    ### output ###
    # say i, world hello!
    # I Say, Hello World!

**7.subn(repl, string\[, count\]) |re.sub(pattern, repl, string\[, count\]):**  
返回 (sub(repl, string\[, count\]), 替换次数)。

import re
     
    p = re.compile(r'(\w+) (\w+)')
    s = 'i say, hello world!'
     
    print p.subn(r'\2 \1', s)
     
    def func(m):
        return m.group(1).title() + ' ' + m.group(2).title()
     
    print p.subn(func, s)
     
    ### output ###
    # ('say i, world hello!', 2)
    # ('I Say, Hello World!', 2)

--------------------

# 应用 #

import re
    
    # matching string
    pattern1 = "cat"
    pattern2 = "bird"
    string = "dog runs to cat"
    print(pattern1 in string)    # True
    print(pattern2 in string)    # False
    
    
    # regular expression
    pattern1 = "cat"
    pattern2 = "bird"
    string = "dog runs to cat"
    print(re.search(pattern1, string))  # <_sre.SRE_Match object; span=(12, 15), match='cat'>
    print(re.search(pattern2, string))  # None
    
    
    # multiple patterns ("run" or "ran")
    ptn = r"r[au]n"       # start with "r" means raw string
    print(re.search(ptn, "dog runs to cat"))    # <_sre.SRE_Match object; span=(4, 7), match='run'>
    
    
    # continue
    print(re.search(r"r[A-Z]n", "dog runs to cat"))     # None
    print(re.search(r"r[a-z]n", "dog runs to cat"))     # <_sre.SRE_Match object; span=(4, 7), match='run'>
    print(re.search(r"r[0-9]n", "dog r2ns to cat"))     # <_sre.SRE_Match object; span=(4, 7), match='r2n'>
    print(re.search(r"r[0-9a-z]n", "dog runs to cat"))  # <_sre.SRE_Match object; span=(4, 7), match='run'>
    
    
    # \d : decimal digit
    print(re.search(r"r\dn", "run r4n"))                # <_sre.SRE_Match object; span=(4, 7), match='r4n'>
    # \D : any non-decimal digit
    print(re.search(r"r\Dn", "run r4n"))                # <_sre.SRE_Match object; span=(0, 3), match='run'>
    # \s : any white space [\t\n\r\f\v]
    print(re.search(r"r\sn", "r\nn r4n"))               # <_sre.SRE_Match object; span=(0, 3), match='r\nn'>
    # \S : opposite to \s, any non-white space
    print(re.search(r"r\Sn", "r\nn r4n"))               # <_sre.SRE_Match object; span=(4, 7), match='r4n'>
    # \w : [a-zA-Z0-9_]
    print(re.search(r"r\wn", "r\nn r4n"))               # <_sre.SRE_Match object; span=(4, 7), match='r4n'>
    # \W : opposite to \w
    print(re.search(r"r\Wn", "r\nn r4n"))               # <_sre.SRE_Match object; span=(0, 3), match='r\nn'>
    # \b : empty string (only at the start or end of the word)
    print(re.search(r"\bruns\b", "dog runs to cat"))    # <_sre.SRE_Match object; span=(4, 8), match='runs'>
    # \B : empty string (but not at the start or end of a word)
    print(re.search(r"\B runs \B", "dog   runs  to cat"))  # <_sre.SRE_Match object; span=(8, 14), match=' runs '>
    # \\ : match \
    print(re.search(r"runs\\", "runs\ to me"))          # <_sre.SRE_Match object; span=(0, 5), match='runs\\'>
    # . : match anything (except \n)
    print(re.search(r"r.n", "r[ns to me"))              # <_sre.SRE_Match object; span=(0, 3), match='r[n'>
    # ^ : match line beginning
    print(re.search(r"^dog", "dog runs to cat"))        # <_sre.SRE_Match object; span=(0, 3), match='dog'>
    # $ : match line ending
    print(re.search(r"cat$", "dog runs to cat"))        # <_sre.SRE_Match object; span=(12, 15), match='cat'>
    # ? : may or may not occur
    print(re.search(r"Mon(day)?", "Monday"))            # <_sre.SRE_Match object; span=(0, 6), match='Monday'>
    print(re.search(r"Mon(day)?", "Mon"))               # <_sre.SRE_Match object; span=(0, 3), match='Mon'>
    
    
    # multi-line
    string = """
    dog runs to cat.
    I run to dog.
    """
    print(re.search(r"^I", string))                     # None
    print(re.search(r"^I", string, flags=re.M))         # <_sre.SRE_Match object; span=(18, 19), match='I'>
    
    
    # * : occur 0 or more times
    print(re.search(r"ab*", "a"))                       # <_sre.SRE_Match object; span=(0, 1), match='a'>
    print(re.search(r"ab*", "abbbbb"))                  # <_sre.SRE_Match object; span=(0, 6), match='abbbbb'>
    
    # + : occur 1 or more times
    print(re.search(r"ab+", "a"))                       # None
    print(re.search(r"ab+", "abbbbb"))                  # <_sre.SRE_Match object; span=(0, 6), match='abbbbb'>
    
    # {n, m} : occur n to m times
    print(re.search(r"ab{2,10}", "a"))                  # None
    print(re.search(r"ab{2,10}", "abbbbb"))             # <_sre.SRE_Match object; span=(0, 6), match='abbbbb'>
    
    
    # group
    match = re.search(r"(\d+), Date: (.+)", "ID: 021523, Date: Feb/12/2017")
    print(match.group())                                # 021523, Date: Feb/12/2017
    print(match.group(1))                               # 021523
    print(match.group(2))                               # Date: Feb/12/2017
    
    match = re.search(r"(?P<id>\d+), Date: (?P<date>.+)", "ID: 021523, Date: Feb/12/2017")
    print(match.group('id'))                            # 021523
    print(match.group('date'))                          # Date: Feb/12/2017
    
    # findall
    print(re.findall(r"r[ua]n", "run ran ren"))         # ['run', 'ran']
    
    # | : or
    print(re.findall(r"(run|ran)", "run ran ren"))      # ['run', 'ran']
    
    # re.sub() replace
    print(re.sub(r"r[au]ns", "catches", "dog runs to cat"))     # dog catches to cat
    
    # re.split()
    print(re.split(r"[,;\.]", "a;b,c.d;e"))             # ['a', 'b', 'c', 'd', 'e']
    
    
    # compile
    compiled_re = re.compile(r"r[ua]n")
    print(compiled_re.search("dog ran to cat"))     # <_sre.SRE_Match object; span=(4, 7), match='ran'>

[re_simple_38246a58-83be-4adf-9f30-6d735e9b9b47.png]: /images/20230528/e4b398f6d51a4a058c326c3fee4fbe66.png
[pyre_ebb9ce1c-e5e8-4219-a8ae-7ee620d5f9f1.png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWFnZXMuY25ibG9ncy5jb20vY25ibG9nc19jb20vaHV4aS9XaW5kb3dzLUxpdmUtV3JpdGVyL1B5dGhvbl8xMEE2Ny9weXJlX2ViYjljZTFjLWU1ZTgtNDIxOS1hOGFlLTdlZTYyMGQ1ZjlmMS5wbmc?x-oss-process=image/format,png
[uploading.4e448015.gif]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9jc2RuaW1nLmNuL3JlbGVhc2UvbXAvaW1nL3VwbG9hZGluZy40ZTQ0ODAxNS5naWY