python re模块

heberoxx

参考http://docs.python.org/howto/regex,http://docs.python.org/library/re.html，以下内容仅限于个人理解，如有不当之处，欢迎指出。

     正则表达式(可以称为REs，regex，regex pattens)是一个小巧的，高度专业化的编程语言，它内嵌于python开发语言中，可通过re模块使用。正则表达式的

pattern可以被编译成一系列的字节码，然后用C编写的引擎执行。下面简单介绍下正则表达式的语法

     正则表达式包含一个元字符(metacharacter)的列表，列表值如下:    . ^ $ * + ? { [ ] \ | ( )

　  1.元字符([ ]),它用来指定一个character class。所谓character classes就是你想要匹配的字符(character)的集合.字符(character)可以单个的列出，也可以通过"-"来分隔两个字符来表示一个范围。例如，[abc]匹配a，b或者c当中任意一个字符，[abc]也可以用字符区间来表示---[a-c].如果想要匹配单个大写字母，你可以用[A-Z]。

     元字符(metacharacters)在character class里面不起作用，如[akm$]将匹配"a","k","m","$"中的任意一个字符。在这里元字符(metacharacter)"$"就是一个普通字符。

     2.元字符[^]. 你可以用补集来匹配不在区间范围内的字符。其做法是把"^"作为类别的首个字符；其它地方的"^"只会简单匹配 "^"字符本身。例如，[^5] 将匹配除 "5" 之外的任意字符。同时，在[ ]外，元字符^表示匹配字符串的开始，如"^ab+"表示以ab开头的字符串。

    举例验证，

    >>> m=re.search("^ab+","asdfabbbb")
　 >>> print m
    None
    >>> m=re.search("ab+","asdfabbbb")
    >>> print m
   
    >>> print m.group()
    abbbb

    上例不能用re.match,因为match匹配字符串的开始，我们无法验证元字符"^"是否代表字符串的开始位置。

    >>> m=re.match("^ab+","asdfabbbb")
    >>> print m
    None
    >>> m=re.match("ab+","asdfabbbb")
    >>> print m
    None

#验证在元字符[]中，"^"在不同位置所代表的意义。
　>>> re.search("[^abc]","abcd")  #"^"在首字符表示取反，即abc之外的任意字符。
　
　>>> m=re.search("[^abc]","abcd")
　>>> m.group()
　'd'
　>>> m=re.search("[abc^]","^")  #如果"^"在[ ]中不是首字符，那么那就是一个普通字符
　>>> m.group()
　'^'

不过对于元字符”^”有这么一个疑问.官方文档http://docs.python.org/library/re.html有关元字符”^”有这么一句话，Matches the start

of the string, and in MULTILINE mode also matches immediately after each newline.

我理解的是”^”匹配字符串的开始，在MULTILINE模式下，也匹配换行符之后。

　>>> m=re.search("^a\w+","abcdfa\na1b2c3")

   >>> m.group()

　'abcdfa'

　>>> m=re.search("^a\w+","abcdfa\na1b2c3",re.MULTILINE)，

　>>> m.group()  #

　'abcdfa'

我认为flag设定为re.MULTILINE，根据上面那段话，他也应该匹配换行符之后，所以应该有m.group应该有"a1b2c3",但是结果没有，用findall来尝试，可以找到结果。所以这里我理解之所以group里面没有，是因为search和match方法是匹配到就返回，而不是去匹配所有。

　>>> m=re.findall("^a\w+","abcdfa\na1b2c3",re.MULTILINE)

　>>> m

　['abcdfa', 'a1b2c3']

   3. 元字符(\),元字符backslash。做为 Python 中的字符串字母，反斜杠后面可以加不同的字符以表示不同特殊意义。

   它也可以用于取消所有的元字符，这样你 就可以在模式中匹配它们了。例如，如果你需要匹配字符 "[" 或 "\"，你可以在它们之前用反斜杠来取消它们的特殊意义： \[ 或 \\

   4。元字符($)匹配字符串的结尾或者字符串结尾的换行之前。（在MULTILINE模式下，"$"也匹配换行之前）

   正则表达式"foo"既匹配"foo"又匹配"foobar",而"foo$"仅仅匹配"foo".

        　　

　  >>> re.findall("foo.$","foo1\nfoo2\n")#匹配字符串的结尾的换行符之前。
     ['foo2']

　  >>> re.findall("foo.$","foo1\nfoo2\n",re.MULTILINE)
     ['foo1', 'foo2']

　　>>> m=re.search("foo.$","foo1\nfoo2\n")
　　>>> m
　　
　　>>> m.group()
　　'foo2'
　　>>> m=re.search("foo.$","foo1\nfoo2\n",re.MULTILINE)
　　>>> m.group()
　　'foo1'

     看来re.MULTILINE对$的影响还是蛮大的。

     5.元字符(*),匹配0个或多个

     6.元字符(?)，匹配一个或者0个

     7.元字符(+), 匹配一个或者多个
     8,元字符(|), 表示"或"，如A|B，其中A，B为正则表达式，表示匹配A或者B

     9.元字符({})

     {m},用来表示前面正则表达式的m次copy，如"a{5}"，表示匹配5个”a”,即"aaaaa"

　>>> re.findall("a{5}","aaaaaaaaaa")
　['aaaaa', 'aaaaa']
　>>> re.findall("a{5}","aaaaaaaaa")
　['aaaaa']
   {m.n}用来表示前面正则表达式的m到n次copy,尝试匹配尽可能多的copy。

   >>> re.findall("a{2,4}","aaaaaaaa")
　['aaaa', 'aaaa']
   通过上面的例子，可以看到{m,n}，正则表达式优先匹配n，而不是m，因为结果不是["aa","aa","aa","aa"]

   >>> re.findall("a{2}","aaaaaaaa")
　['aa', 'aa', 'aa', 'aa']

   {m,n}?  用来表示前面正则表达式的m到n次copy，尝试匹配尽可能少的copy　　　

　>>> re.findall("a{2,4}?","aaaaaaaa")
　['aa', 'aa', 'aa', 'aa']

   10。元字符(  "( )" ),用来表示一个group的开始和结束。

   比较常用的有(REs),(?PREs),这是无名称的组和有名称的group，有名称的group，可以通过matchObject.group(name)

   获取匹配的group，而无名称的group可以通过从1开始的group序号来获取匹配的组，如matchObject.group(1)。具体应用将在下面的group()方法中举例讲解

   11．元字符(.)

　元字符“.”在默认模式下，匹配除换行符外的所有字符。在DOTALL模式下，匹配所有字符，包括换行符。

　>>> import re

　>>> re.match(".","\n")

　>>> m=re.match(".","\n")

　>>> print m

　None

　>>> m=re.match(".","\n",re.DOTALL)

　>>> print m

　

　>>> m.group()

　'\n'

　下面我们首先来看一下Match Object对象拥有的方法,下面是常用的几个方法的简单介绍

　　1.group([group1,…])
　　返回匹配到的一个或者多个子组。如果是一个参数，那么结果就是一个字符串，如果是多个参数，那么结果就是一个参数一个item的元组。group1的默认值为0(将返回所有的匹配值).如果groupN参数为0，相对应的返回值就是全部匹配的字符串，如果group1的值是[1…99]范围之内的,那么将匹配对应括号组的字符串。如果组号是负的或者比pattern中定义的组号大，那么将抛出IndexError异常。如果pattern没有匹配到，但是group匹配到了，那么group的值也为None。如果一个pattern可以匹配多个，那么组对应的是样式匹配的最后一个。另外，子组是根据括号从左向右来进行区分的。
　　>>> m=re.match("(\w+) (\w+)","abcd efgh, chaj")
　　>>> m.group()            # 匹配全部
　　'abcd efgh'
　　>>> m.group(1)     # 第一个括号的子组.
　　'abcd'
　　>>> m.group(2)
　　'efgh'
　　>>> m.group(1,2)           # 多个参数返回一个元组
　　('abcd', 'efgh')
　　>>> m=re.match("(?P\w+) (?P\w+)","sam lee")
　>>> m.group("first_name")  #使用group获取含有name的子组
　'sam'
　>>> m.group("last_name")
　'lee'
　　
　　下面把括号去掉
　　>>> m=re.match("\w+ \w+","abcd efgh, chaj")
　　>>> m.group()
　　'abcd efgh'
　　>>> m.group(1)
　　Traceback (most recent call last):
　　File "", line 1, in
　　m.group(1)
　　IndexError: no such group
　　
　　If a group matches multiple times, only the last match is accessible:
　　如果一个组匹配多个，那么仅仅返回匹配的最后一个的。
　　>>> m=re.match(r"(..)+","a1b2c3")
　　>>> m.group(1)
　　'c3'
　　>>> m.group()
　　'a1b2c3'
　　Group的默认值为0，返回正则表达式pattern匹配到的字符串
　　
　　>>> s="afkak1aafal12345adadsfa"
　　>>> pattern=r"(\d)\w+(\d{2})\w"
　　>>> m=re.match(pattern,s)
　　>>> print m
　　None
　　>>> m=re.search(pattern,s)
　　>>> m
　　
　　>>> m.group()
　　'1aafal12345a'
　　>>> m.group(1)
　　'1'
　　>>> m.group(2)
　　'45'
　　>>> m.group(1,2,0)
　　('1', '45', '1aafal12345a')
　　
　　　2。groups([default])
　　　返回一个包含所有子组的元组。Default是用来设置没有匹配到组的默认值的。Default默认是"None”,
　　>>> m=re.match("(\d+)\.(\d+)","23.123")
　　>>> m.groups()
　　('23', '123')
　　>>> m=re.match("(\d+)\.?(\d+)?","24") #这里的第二个\d没有匹配到，使用默认值"None"
　　>>> m.groups()
　　('24', None)
　　>>> m.groups("0")
　　('24', '0')
　　
　　　3.groupdict([default])
　　返回匹配到的所有命名子组的字典。Key是name值，value是匹配到的值。参数default是没有匹配到的子组的默认值。这里与groups()方法的参数是一样的。默认值为None
　　>>> m=re.match("(\w+) (\w+)","hello world")
　　>>> m.groupdict()
　　{}
　　>>> m=re.match("(?P\w+) (?P\w+)","hello world")
　　>>> m.groupdict()
　　{'secode': 'world', 'first': 'hello'}
　　通过上例可以看出，groupdict()对没有name的子组不起作用
　　
　　
　　正则表达式对象
　　re.search(string[, pos[, endpos]])
　　扫描字符串string，查找与正则表达式匹配的位置。如果找到一个匹配就返回一个MatchObject对象(并不会匹配所有的)。如果没有找到那么返回None。
　　第二个参数表示从字符串的那个位置开始，默认是0
　　第三个参数endpos限定字符串最远被查找到哪里。默认值就是字符串的长度。.
　　>>> m=re.search("abcd", '1abcd2abcd')
　>>> m.group()  #找到即返回一个match object，然后根据该对象的方法，查找匹配到的结果。
　'abcd'
　>>> m.start()
　1
　>>> m.end()
　5
　　>>> re.findall("abcd","1abcd2abcd")
　['abcd', 'abcd']
　　
　　　re.split(pattern, string[, maxsplit=0, flags=0])
　　用pattern来拆分string。如果pattern有含有括号，那么在pattern中所有的组也会返回。
　　>>> re.split("\W+","words,words,works",1)
　　['words', 'words,works']
　　>>> re.split("[a-z]","0A3b9z",re.IGNORECASE)
　　['0A3', '9', '']
　　>>> re.split("[a-z]+","0A3b9z",re.IGNORECASE)
　　['0A3', '9', '']
　　>>> re.split("[a-zA-Z]+","0A3b9z")
　　['0', '3', '9', '']
　　>>> re.split('[a-f]+', '0a3B9', re.IGNORECASE)#re.IGNORECASE用来忽略pattern中的大小写。
　　['0', '3B9']
　　
　　如果在split的时候捕获了组，并且匹配字符串的开始，那么返回的结果将会以一个空串开始。
　　>>> re.split('(\W+)', '...words, words...')
　　['', '...', 'words', ', ', 'words', '...', '']
　　>>> re.split('(\W+)', 'words, words...')
　　['words', ', ', 'words', '...', '']
　　
　　　re.findall(pattern, string[, flags])
　　以list的形式返回string中所有与pattern匹配的不重叠的字符串。String从左向右扫描，匹配的返回结果也是以这个顺序。
　　Return all non-overlapping matches of pattern in string, as a list of strings. The string is scanned left-to-right, and matches are returned in the order found. If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result unless they touch the beginning of another match.
　　>>> re.findall('(\W+)', 'words, words...')
　　[', ', '...']
　　>>> re.findall('(\W+)d', 'words, words...d')
　　['...']
　　>>> re.findall('(\W+)d', '...dwords, words...d')
　　['...', '...']
　　
　　　re.finditer(pattern, string[, flags])
　　与findall类似，只不过是返回list，而是返回了一个叠代器
　　
　　我们来看一个sub和subn的例子
　　>>> re.sub("\d","abc1def2hijk","RE")
　　'RE'
　　>>> x=re.sub("\d","abc1def2hijk","RE")
　　>>> x
　　'RE'
　　>>> re.sub("\d","RE","abc1def2hijk",)
　　'abcREdefREhijk'
　　
　　>>> re.subn("\d","RE","abc1def2hijk",)
　　('abcREdefREhijk', 2)
　　通过例子我们可以看出sub和subn的差别：sub返回替换后的字符串，而subn返回由替换后的字符串以及替换的个数组成的元组。
　　　re.sub(pattern, repl, string[, count, flags])
　　用repl替换字符串string中的pattern。如果pattern没有匹配到，那么返回的字符串没有变化]。Repl可以是一个字符串，也可以是一个function。如果是字符串，如果repl是个方法/函数。对于所有的pattern匹配到。他都回调用这个方法/函数。这个函数和方法使用单个match object作为参数，然后返回替换后的字符串。下面是官网提供的例子:



>>> def dashrepl(matchobj):
...     if matchobj.group(0) == '-': return ' '
...     else: return '-'
>>> re.sub('-{1,2}', dashrepl, 'pro----gram-files')
'pro--gram files'
>>> re.sub(r'\sAND\s', ' & ', 'Baked Beans And Spam', flags=re.IGNORECASE)
'Baked Beans & Spam'