Rumah >pembangunan bahagian belakang >Tutorial Python >关于Python正则表达式re模块的介绍
正则表达式(regular expression)是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串,可以匹配其自身。比如,正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。
要注意的是,正则表达式并不是一个程序,而是用于处理字符串的一种模式,如果你想用它来处理字符串,就必须使用支持正则表达式的工具,比如 Linux 中的 awk, sed, grep,或者编程语言 Perl, Python, Java 等等。
正则表达式有多种不同的风格,下表列出了适用于 Python 或 Perl 等编程语言的部分元字符以及说明:
在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。
有一点需要特别注意的是,正则表达式使用 \
对特殊字符进行转义,比如,为了匹配字符串 ‘python.org’,我们需要使用正则表达式 'python\.org'
,而 Python 的字符串本身也用 \
转义,所以上面的正则表达式在 Python 中应该写成 'python\\.org'
,这会很容易陷入 \
的困扰中,因此,我们建议使用 Python 的原始字符串,只需加一个 r 前缀,上面的正则表达式可以写成:
r'python\.org'
re 模块提供了不少有用的函数,用以匹配字符串,比如:
compile 函数
match 函数
search 函数
findall 函数
finditer 函数
split 函数
sub 函数
subn 函数
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。
下面,让我们看看例子。
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
search 方法
findall 方法
finditer 方法
split 方法
sub 方法
subn 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。
看看例子。
>>> 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。
让我们看看例子:
>>> 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:
# -*- coding: utf-8 -*- 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)
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。
看看例子:
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。
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) 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。
看看例子:
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。
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) 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) # 最多替换一次
执行结果:
hello world, hello world 123 hello, 456 hello hi 123, hi 456 hi 123, hello 456
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。
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) 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)
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 函数的使用形式如下:
re.match(pattern, string[, flags]):
其中,pattern 是正则表达式的字符串形式,比如 \d+
, [a-z]+
。
而 Pattern 对象的 match 方法使用形式是:
match(string[, pos[, endpos]])
可以看到,match 函数不能指定字符串的区间,它只能搜索头部,看看例子:
import re m1 = re.match(r'\d+', 'One12twothree34four') if m1: print 'matching string:',m1.group() else: print 'm1 is:',m1 m2 = re.match(r'\d+', '12twothree34four') if m2: print 'matching string:', m2.group() else: print 'm2 is:',m2
执行结果:
m1 is: None matching string: 12
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 函数的使用形式如下:
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。
看看例子:
import re print re.findall(r'\d+', 'hello 12345 789') # 输出 ['12345', '789']
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 函数的使用形式如下:
re.split(pattern, string[, maxsplit])
sub 函数的使用形式如下:
re.sub(pattern, repl, string[, count])
subn 函数的使用形式如下:
re.subn(pattern, repl, string[, count])
从上文可以看到,使用 re 模块有两种方式:
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;
下面,我们用一个例子展示这两种方法。
先看第 1 种用法:
import re # 将正则表达式先编译成 Pattern 对象 pattern = re.compile(r'\d+') print pattern.match('123, 123') print pattern.search('234, 234') print pattern.findall('345, 345')
再看第 2 种用法:
import re print re.match(r'\d+', '123, 123') print re.search(r'\d+', '234, 234') print re.findall(r'\d+', '345, 345')
如果一个正则表达式需要用到多次(比如上面的 \d+
),在多种场合经常需要被用到,出于效率的考虑,我们应该预先编译该正则表达式,生成一个 Pattern 对象,再使用该对象的一系列方法对需要匹配的文件进行匹配;而如果直接使用 re.match, re.search 等函数,每次传入一个正则表达式,它都会被编译一次,效率就会大打折扣。
因此,我们推荐使用第 1 种用法。
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:
# -*- coding: utf-8 -*- 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']
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 p
块:
import re content = 'aa<p>test1</p>bb<p>test2</p>cc' pattern = re.compile(r'<p>.*</p>') result = pattern.findall(content) print result
执行结果:
['<p>test1</p>bb<p>test2</p>']
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 94b3e26ee717c64999d7867364b1b4a3
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<p>test1</p>bb<p>test2</p>cc' pattern = re.compile(r'<p>.*?</p>') # 加上 ? result = pattern.findall(content) print result
结果:
['<p>test1</p>', '<p>test2</p>']
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;
Python 的正则匹配默认是贪婪匹配。
Atas ialah kandungan terperinci 关于Python正则表达式re模块的介绍. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!