Python正则表达式之基础篇

正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。

其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。

它拥有自己独特的语法以及一个独立的处理引擎，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。

下图展示了使用正则表达式进行匹配的流程：

1.1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。

　　正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。Python 自1.5版本起增加了re 模块，它提供 Perl 风格的正则表达式模式。re 模块使 Python 语言拥有全部的正则表达式功能。

1.2要知道的各种用法

　模式字符串使用特殊的语法来表示一个正则表达式：

　　字母和数字表示他们自身。一个正则表达式模式中的字母和数字匹配同样的字符串。多数字母和数字前加一个反斜杠时会拥有不同的含义。标点符号只有被转义时才匹配自身，否则它们表示特殊的含义。反斜杠本身需要使用反斜杠转义。

　　由于正则表达式通常都包含反斜杠，所以你最好使用原始字符串来表示它们。模式元素(如 r'/t'，等价于'//t')匹配相应的特殊字符。

　　下表列出了正则表达式模式语法中的特殊元素。如果你使用模式的同时提供了可选的标志参数，某些模式元素的含义会改变。

　　当然这些用法很多，待会会给出经常使用到的用法，多试试就能理解了。

模式

模式 描述 ^ 匹配字符串的开头 $ 匹配字符串的末尾。 . 匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。 [...] 用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k' [^...] 不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。 re* 匹配0个或多个的表达式。 re+ 匹配1个或多个的表达式。 re"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。 \B 匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。 \n, \t, 等. 匹配一个换行符。匹配一个制表符。等 \1...\9 匹配第n个分组的子表达式。 \10 匹配第n个分组的子表达式，如果它经匹配。否则指的是八进制字符码的表达式。

字符类

实例 描述 [Pp]ython 匹配 "Python" 或 "python" rub[ye] 匹配 "ruby" 或 "rube" [aeiou] 匹配中括号内的任意一个字母 [0-9] 匹配任何数字。类似于 [0123456789] [a-z] 匹配任何小写字母 [A-Z] 匹配任何大写字母 [a-zA-Z0-9] 匹配任何字母及数字 [^aeiou] 除了aeiou字母以外的所有字符 [^0-9] 匹配除了数字外的字符

特殊字符类

实例 描述 . 匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使用象 '[.\n]' 的模式。 \d 匹配一个数字字符。等价于 [0-9]。 \D 匹配一个非数字字符。等价于 [^0-9]。 \s 匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 \S 匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。 \w 匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。 \W 匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。

1.3re.match函数

　　re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

　　re.match(pattern, string, flags = 0)

　　pattern 正则表达式

　　string 匹配的字符串

　　flags 标志位，用来控制匹配方式，下文会讲

　　直接上程序：

import string,re
r = "abc" #正则表达式
if re.match(r,"abc"): #匹配
print 'done' 
else:
print 'defeat' 

结果:

　　done

可以根据上面各表给出的用法，多练练：

import string,re
r = "a.c" #正则表达式 . 匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
if re.match(r,"abc"): 
print re.match(r,"abc")
print 'done' 
else:
print 'defeat' 

结果：

<_sre.SRE_Match object at 0x01dd6158>

done

　　注意这里不是显示匹配成功的字符串,re.match() 返回的是一个对象，不成功返回的是none.

　　我们可以通过group(num)或groups()匹配对象函数来获取匹配表达式。　

匹配对象方法 描述 group(num=0) 匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。 groups() 返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。

程序：　　　

 import string,re
 r = "a.c" 
 if re.match(r,"abc"): 
 line = re.match(r,"abc")
 print line.group()
 else:
 print 'defeat' 

结果：

　　abc

1.3re.search函数

re.search() 扫描整个字符串并返回第一个成功的匹配

　　re.search(pattern, string, flags=0)

　　pattern 正则表达式

　　string 匹配的字符串

　　flags 标志位，用于控制匹配方式

　　和re.match()一样，匹配成功re.search方法返回一个匹配的对象，否则返回None。

　　直接上程序：

import string,re
r = "abc" 
s = 'aacawcabc'
if re.search(r,s): 
line = re.search(r,s)
print line.group() 

结果：

abc

注意：

re.match()和re.search()的区别：

　　re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。

1.4re.sub函数

　　re.sub（）函数用于替换匹配项。

　　re.sub(pattern,repl,string,max = 0)

　　pattern 正则表达式

　　repl 替换 项

　　string 匹配的字符串

　　count 替换的最大次数 缺省值是0 表示替换所有的匹配

　　返回的字符串是在字符串中用 RE 最左边不重复的匹配来替换。如果模式没有发现，字符将被没有改变地返回。

　　程序：

import string,re
pattern = '\d' 
repl = "!" 
s = 'abcdefg' 
line = re.sub(pattern,repl,s)
print line 

结果：

!!!!!!!!!abcdefg

1.5正则表达式修饰符 - 可选标志

我们来说说什么是标志位：

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：

修饰符 描述 re.I 使匹配对大小写不敏感 re.L 做本地化识别（locale-aware）匹配 re.M 多行匹配，影响 ^ 和 $ re.S 使 . 匹配包括换行在内的所有字符 re.U 根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B. re.X 该标志通过给予你更灵活的格式以便你将正则表达式写得更易于理解。

程序：　

import string,re
pattern = '[Aa][Bb][Cc][Dd]' 
s = 'AbCd' 
if re.match(pattern,s):
line = re.match(pattern,s)
print line.group() 

结果：

AbCd

上面程序可以通过选择标志位来实现：

import string,re
pattern = 'abcd' 
s = 'AbCd' 
if re.match(pattern,s,re.I):
line = re.match(pattern,s,re.I)
print line.group() 

结果;

AbCd

1.6re.compile函数

　　使用re的一般步骤是先使用re.compile()函数，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。

程序：

import string,re
pattern = re.compile('\d+') 
s = 'aabbccdd' 
if pattern.match(s):
line = pattern.match(s)
print line.group()

结果：

11223344