Python 正則表達式
點擊上方「
Python開發
」，選擇「置頂公眾號」
關鍵時刻，第一時間送達！
簡介
正則表達式（regular expression）是可以匹配文本片段的模式。最簡單的正則表達式就是普通字元串，可以匹配其自身。比如，正則表達式 『hello』 可以匹配字元串 『hello』。
要注意的是，正則表達式並不是一個程序，而是用於處理字元串的一種模式，如果你想用它來處理字元串，就必須使用支持正則表達式的工具，比如 Linux 中的 awk, sed, grep，或者編程語言 Perl, Python, Java 等等。
正則表達式有多種不同的風格，下表列出了適用於 Python 或 Perl 等編程語言的部分元字元以及說明：
re 模塊
在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。
有一點需要特別注意的是，正則表達式使用 對特殊字元進行轉義，比如，為了匹配字元串 "python.org"，我們需要使用正則表達式 "python.org"，而 Python 的字元串本身也用 轉義，所以上面的正則表達式在 Python 中應該寫成 "python.org"，這會很容易陷入 的困擾中，因此，我們建議使用 Python 的原始字元串，只需加一個 r 前綴，上面的正則表達式可以寫成：
r"python.org"
re 模塊提供了不少有用的函數，用以匹配字元串，比如：
compile 函數
match 函數
search 函數
findall 函數
finditer 函數
split 函數
sub 函數
subn 函數
re 模塊的一般使用步驟如下：
使用 compile 函數將正則表達式的字元串形式編譯為一個 Pattern 對象
通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果（一個 Match 對象）
最後使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作
compile 函數
compile 函數用於編譯正則表達式，生成一個 Pattern 對象，它的一般使用形式如下：
re.compile(pattern[, flag])
其中，pattern 是一個字元串形式的正則表達式，flag 是一個可選參數，表示匹配模式，比如忽略大小寫，多行模式等。
下面，讓我們看看例子。
import
re
# 將正則表達式編譯成 Pattern 對象
pattern
=
re
.
compile
(
r
"d+"
)
在上面，我們已將一個正則表達式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。Pattern 對象的一些常用方法主要有：
match 方法
search 方法
findall 方法
finditer 方法
split 方法
sub 方法
subn 方法
match 方法
match 方法用於查找字元串的頭部（也可以指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。它的一般使用形式如下：
match(string[, pos[, endpos]])
其中，string 是待匹配的字元串，pos 和 endpos 是可選參數，指定字元串的起始和終點位置，默認值分別是 0 和 len (字元串長度)。因此，
當你不指定 pos 和 endpos 時，match 方法默認匹配字元串的頭部。
當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。
看看例子。
>>>
import
re
>>>
pattern
=
re
.
compile
(
r
"d+"
)
# 用於匹配至少一個數字
>>>
m
=
pattern
.
match
(
"one12twothree34four"
)
# 查找頭部，沒有匹配
>>>
m
None
>>>
m
=
pattern
.
match
(
"one12twothree34four"
,
2
,
10
)
# 從"e"的位置開始匹配，沒有匹配
>>>
m
None
>>>
m
=
pattern
.
match
(
"one12twothree34four"
,
3
,
10
)
# 從"1"的位置開始匹配，正好匹配
>>>
m
# 返回一個 Match 對象
<
_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，當匹配成功時返回一個 Match 對象，其中：
group([group1, …]) 方法用於獲得一個或多個分組匹配的字元串，當要獲得整個匹配的子串時，可直接使用 group() 或 group(0)；
start([group]) 方法用於獲取分組匹配的子串在整個字元串中的起始位置（子串第一個字元的索引），參數默認值為 0；
end([group]) 方法用於獲取分組匹配的子串在整個字元串中的結束位置（子串最後一個字元的索引+1），參數默認值為 0；
span([group]) 方法返回 (start(group), end(group))。
再看看一個例子：
>>>
import
re
>>>
pattern
=
re
.
compile
(
r
"([a-z]+) ([a-z]+)"
,
re
.
I
)
# re.I 表示忽略大小寫
>>>
m
=
pattern
.
match
(
"Hello World Wide Web"
)
>>>
m
# 匹配成功，返回一個 Match 對象
<
_sre
.
SRE_Match object
at
0x10bea83e8
>
>>>
m
.
group
(
0
)
# 返回匹配成功的整個子串
"Hello World"
>>>
m
.
span
(
0
)
# 返回匹配成功的整個子串的索引
(
0
,
11
)
>>>
m
.
group
(
1
)
# 返回第一個分組匹配成功的子串
"Hello"
>>>
m
.
span
(
1
)
# 返回第一個分組匹配成功的子串的索引
(
0
,
5
)
>>>
m
.
group
(
2
)
# 返回第二個分組匹配成功的子串
"World"
>>>
m
.
span
(
2
)
# 返回第二個分組匹配成功的子串
(
6
,
11
)
>>>
m
.
groups
()
# 等價於 (m.group(1), m.group(2), ...)
(
"Hello"
,
"World"
)
>>>
m
.
group
(
3
)
# 不存在第三個分組
Traceback
(
most recent call
last
)
:
File
"<stdin>"
,
line
1
,
in
<
module
>
IndexError
:
no such
group
search 方法
search 方法用於查找字元串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，它的一般使用形式如下：
search(string[, pos[, endpos]])
其中，string 是待匹配的字元串，pos 和 endpos 是可選參數，指定字元串的起始和終點位置，默認值分別是 0 和 len (字元串長度)。
當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。
讓我們看看例子：
>>>
import
re
>>>
pattern
=
re
.
compile
(
"d+"
)
>>>
m
=
pattern
.
search
(
"one12twothree34four"
)
# 這裡如果使用 match 方法則不匹配
>>>
m
<
_sre
.
SRE_Match object
at
0x10cc03ac0
>
>>>
m
.
group
()
"12"
>>>
m
=
pattern
.
search
(
"one12twothree34four"
,
10
,
30
)
# 指定字元串區間
>>>
m
<
_sre
.
SRE_Match object
at
0x10cc03b28
>
>>>
m
.
group
()
"34"
>>>
m
.
span
()
(
13
,
15
)
再來看一個例子：
# -*- coding: utf-8 -*-
import
re
# 將正則表達式編譯成 Pattern 對象
pattern
=
re
.
compile
(
r
"d+"
)
# 使用 search() 查找匹配的子串，不存在匹配的子串時將返回 None
# 這裡使用 match() 無法成功匹配
m
=
pattern
.
search
(
"hello 123456 789"
)
if
m
:
# 使用 Match 獲得分組信息
"matching string:"
,
m
.
group
()
"position:"
,
m
.
span
()
執行結果：
matching
string
:
123456
position
:
(
6
,
12
)
findall 方法
上面的 match 和 search 方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，我們需要搜索整個字元串，獲得所有匹配的結果。
findall 方法的使用形式如下：
findall(string[, pos[, endpos]])
其中，string 是待匹配的字元串，pos 和 endpos 是可選參數，指定字元串的起始和終點位置，默認值分別是 0 和 len (字元串長度)。
findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個空列表。
看看例子：
import re
pattern
=
re
.
compile
(
r
"d+"
)
# 查找數字
result1
=
pattern
.
findall
(
"hello 123456 789"
)
result2
=
pattern
.
findall
(
"one1two2three3four4"
,
0
,
10
)
print result1
result2
執行結果：
[
"123456"
,
"789"
]
[
"1"
,
"2"
]
finditer 方法
finditer 方法的行為跟 findall 的行為類似，也是搜索整個字元串，獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果（Match 對象）的迭代器。
看看例子：
# -*- coding: utf-8 -*-
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
)
"result1..."
for
m1
in
result_iter1
:
# m1 是 Match 對象
"matching string: {}, position: {}"
.
format
(
m1
.
group
(),
m1
.
span
())
"result2..."
for
m2
in
result_iter2
:
"matching string: {}, position: {}"
.
format
(
m2
.
group
(),
m2
.
span
())
執行結果：
<
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 方法按照能夠匹配的子串將字元串分割後返回列表，它的使用形式如下：
split(string[, maxsplit])
其中，maxsplit 用於指定最大分割次數，不指定將全部分割。
看看例子：
import
re
p
=
re
.
compile
(
r
"[s,;]+"
)
p
.
split
(
"a,b;; c d"
)
執行結果：
["a", "b", "c", "d"]
sub 方法
sub 方法用於替換。它的使用形式如下：
sub(repl, string[, count])
其中，repl 可以是字元串也可以是一個函數：
如果 repl 是字元串，則會使用 repl 去替換字元串每一個匹配的子串，並返回替換後的字元串，另外，repl 還可以使用 id 的形式來引用分組，但不能使用編號 0；
如果 repl 是函數，這個方法應當只接受一個參數（Match 對象），並返回一個字元串用於替換（返回的字元串中不能再引用分組）。
count 用於指定最多替換次數，不指定時全部替換。
看看例子：
import
re
p
=
re
.
compile
(
r
"(w+) (w+)"
)
s
=
"hello 123, hello 456"
def
func
(
m
)
:
return
"hi"
+
" "
+
m
.
group
(
2
)
p
.
sub
(
r
"hello world"
,
s
)
# 使用 "hello world" 替換 "hello 123" 和 "hello 456"
p
.
sub
(
r
" "
,
s
)
# 引用分組
p
.
sub
(
func
,
s
)
p
.
sub
(
func
,
s
,
1
)
# 最多替換一次
執行結果：
hello
world
,
hello
world
123
hello
,
456
hello
hi
123
,
hi
456
hi
123
,
hello
456
subn 方法
subn 方法跟 sub 方法的行為類似，也用於替換。它的使用形式如下：
subn(repl, string[, count])
它返回一個元組：
(sub(repl, string[, count]), 替換次數)
元組有兩個元素，第一個元素是使用 sub 方法的結果，第二個元素返回原字元串被替換的次數。
看看例子：
import
re
p
=
re
.
compile
(
r
"(w+) (w+)"
)
s
=
"hello 123, hello 456"
def
func
(
m
)
:
return
"hi"
+
" "
+
m
.
group
(
2
)
p
.
subn
(
r
"hello world"
,
s
)
p
.
subn
(
r
" "
,
s
)
p
.
subn
(
func
,
s
)
p
.
subn
(
func
,
s
,
1
)
執行結果：
(
"hello world, hello world"
,
2
)
(
"123 hello, 456 hello"
,
2
)
(
"hi 123, hi 456"
,
2
)
(
"hi 123, hello 456"
,
1
)
其他函數
事實上，使用 compile 函數生成的 Pattern 對象的一系列方法跟 re 模塊的多數函數是對應的，但在使用上有細微差別。
match 函數
match 函數的使用形式如下：
re.match(pattern, string[, flags]):
其中，pattern 是正則表達式的字元串形式，比如 d+, [a-z]+。
而 Pattern 對象的 match 方法使用形式是：
match(string[, pos[, endpos]])
可以看到，match 函數不能指定字元串的區間，它只能搜索頭部，看看例子：
import
re
m1
=
re
.
match
(
r
"d+"
,
"One12twothree34four"
)
if
m1
:
"matching string:"
,
m1
.
group
()
else
:
"m1 is:"
,
m1
m2
=
re
.
match
(
r
"d+"
,
"12twothree34four"
)
if
m2
:
"matching string:"
,
m2
.
group
()
else
:
"m2 is:"
,
m2
執行結果：
m1
is
:
None
matching
string
:
12
search 函數
search 函數的使用形式如下：
re.search(pattern, string[, flags])
search 函數不能指定字元串的搜索區間，用法跟 Pattern 對象的 search 方法類似。
findall 函數
findall 函數的使用形式如下：
re.findall(pattern, string[, flags])
findall 函數不能指定字元串的搜索區間，用法跟 Pattern 對象的 findall 方法類似。
看看例子：
import re
re
.
findall
(
r
"d+"
,
"hello 12345 789"
)
# 輸出
[
"12345"
,
"789"
]
finditer 函數
finditer 函數的使用方法跟 Pattern 的 finditer 方法類似，形式如下：
re.finditer(pattern, string[, flags])
split 函數
split 函數的使用形式如下：
re.split(pattern, string[, maxsplit])
sub 函數
sub 函數的使用形式如下：
re.sub(pattern, repl, string[, count])
subn 函數
subn 函數的使用形式如下：
re.subn(pattern, repl, string[, count])
到底用哪種方式
從上文可以看到，使用 re 模塊有兩種方式：
使用 re.compile 函數生成一個 Pattern 對象，然後使用 Pattern 對象的一系列方法對文本進行匹配查找；
直接使用 re.match, re.search 和 re.findall 等函數直接對文本匹配查找；
下面，我們用一個例子展示這兩種方法。
先看第 1 種用法：
import
re
# 將正則表達式先編譯成 Pattern 對象
pattern
=
re
.
compile
(
r
"d+"
)
pattern
.
match
(
"123, 123"
)
pattern
.
search
(
"234, 234"
)
pattern
.
findall
(
"345, 345"
)
再看第 2 種用法：
import re
re
.
match
(
r
"d+"
,
"123, 123"
)
re
.
search
(
r
"d+"
,
"234, 234"
)
re
.
findall
(
r
"d+"
,
"345, 345"
)
如果一個正則表達式需要用到多次（比如上面的 d+），在多種場合經常需要被用到，出於效率的考慮，我們應該預先編譯該正則表達式，生成一個 Pattern 對象，再使用該對象的一系列方法對需要匹配的文件進行匹配；而如果直接使用 re.match, re.search 等函數，每次傳入一個正則表達式，它都會被編譯一次，效率就會大打折扣。
因此，我們推薦使用第 1 種用法。
匹配中文
在某些情況下，我們想匹配文本中的漢字，有一點需要注意的是，中文的 unicode 編碼範圍 主要在 [u4e00-u9fa5]，這裡說主要是因為這個範圍並不完整，比如沒有包括全形（中文）標點，不過，在大部分情況下，應該是夠用的。
假設現在想把字元串 title = u"你好，hello，世界" 中的中文提取出來，可以這麼做：
# -*- coding: utf-8 -*-
import re
title
=
u
"你好，hello，世界"
pattern
=
re
.
compile
(
ur
"[一-龥]+"
)
result
=
pattern
.
findall
(
title
)
result
注意到，我們在正則表達式前面加上了兩個前綴 ur，其中 r 表示使用原始字元串，u 表示是 unicode 字元串。
執行結果:
[u"你好", u"世界"]
貪婪匹配
在 Python 中，正則匹配默認是
貪婪匹配
（在少數語言中可能是非貪婪），也就是匹配儘可能多的字元
。比如，我們想找出字元串中的所有 div 塊：
import
re
content
=
"aa<div>test1</div>bb<div>test2</div>cc"
pattern
=
re
.
compile
(
r
"<div>.*</div>"
)
result
=
pattern
.
findall
(
content
)
result
執行結果：
["<div>test1</div>bb<div>test2</div>"]
由於正則匹配是貪婪匹配，也就是儘可能多的匹配，因此，在成功匹配到第一個
時，它還會向右嘗試匹配，查看是否還有更長的可以成功匹配的子串。
如果我們想非貪婪匹配，可以加一個 ?，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
)
result
結果：
["<div>test1</div>", "<div>test2</div>"]
小結
re 模塊的一般使用步驟如下：
使用 compile 函數將正則表達式的字元串形式編譯為一個 Pattern 對象；
通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果（一個 Match 對象）；
最後使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作；
Python 的正則匹配默認是貪婪匹配。
參考資料
正則表達式 – 維基百科
Python正則表達式指南
來源：geekvi
segmentfault.com/a/1190000007929344
Python開發整理髮布，轉載請聯繫作者獲得授權
【點擊成為Java大神】
※談談 Python 的生成器
※如何快速成長為優秀程序員？高薪程序員必備工具！
TAG:Python開發 |