Python之re模块 - 正则表达式操作

453423

一、前言

    字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在。而正则表达式就是一种用来描述字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

    学习本章知识，你需要有了解正则表达式基础， 网上快速入门教程一抓一大把，这里就不再叙述了。

二、re 模块

    Python 的 re 模块提供了与 Perl 相似的正则表达式匹配操作， Unicode 字符串也同样适用。Python 的 re 模块（Regular Expression 正则表达式）提供各种正则表达式的匹配操作，和 Perl 脚本的正则表达式功能类似，使用这一内嵌于 Python 的语言工具，尽管不能满足所有复杂的匹配情况，但足够在绝大多数情况下能够有效地实现对复杂字符串的分析并提取出相关信息。Python 会将正则表达式转化为字节码，利用 C 语言的匹配引擎进行深度优先的匹配。

    正则表达式使用反斜杠"  "来代表特殊形式或用作转义字符，不幸的是 Python 也是使用反斜杠"\"来转义。这里跟Python的语法冲突，因此，Python用" [url=]\\[/url] "表示正则表达式中真正意义的"  "，因为正则表达式中如果要匹配"  "，需要用来转义，变成" \ "，而Python语法中又需要对字符串中每一个进行转义，所以就变成了" [url=]\\[/url] "。

    上面的写法是不是觉得很麻烦，而且难以理解，为了使正则表达式具有更好的可读性，Python特别设计了原始字符串(raw string)，需要提醒你的是，在写文件路径的时候就不要使用raw string了，这里存在陷阱。raw string就是用'r'作为字符串的前缀，如 r""：表示两个字符"\"和"n"，而不是代表转义序列（换行符）了。Python中写正则表达式时推荐使用这种形式。

    正则表达式也是用  来转义元字符， 而 Python的字符串本身也用  转义， 因此我们强烈建议，对于要使用正则表达式的字符串，全部使用 r 前缀。

1 2 3 4 5 6 7 8

s = 'ABC\-001' # Python的字符串 # 对应的正则表达式字符串变成： # 'ABC-001' 因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题了： s = r'ABC-001' # Python的字符串 # 对应的正则表达式字符串不变： # 'ABC-001'

re.match （仅能从字符串开头匹配）

re.match(pattern, string, flags)

re.match(pattern, string)

match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

1 2 3 4 5 6 7 8 9 10

>>> import re >>> re.match(r'^d{3}-d{3,8}', '010-12345') <_sre.SRE_Match object at 0x7fb49aaf7648> >>> m = re.match(r'^d{3}-d{3,8}', '010-12345') >>> if m: ...     print 'match' ... else: ...     print 'No match' ... match

re.search  （匹配）

re.search(pattern, string [, flags])

search()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

re.match与re.search的区别：
re.match只有当且仅当从字符串的开头进行匹配，如果字符串开头不匹配正则表达式，则匹配失败，函数返回None；而re.search从字符串任意位置进行，直到找到一个匹配。

re.split    （切分）

re.split(pattern, string)

可以将字符串匹配正则表达式的部分割开并返回一个列表。

1 2 3 4 5 6 7 8 9 10 11

# 用正则表达式切分字符串比用固定的字符更加灵活 >>> 'a b    c'.split(' ') ['a', 'b', '', '', '', 'c'] # 看到了么，无法识别连续的空格，用正则表达式试试： >>> re.split(r's+', 'a b   c') ['a', 'b', 'c'] # 很完美， 加入 “,” 试试 >>> re.split(r'[s,]+', 'a,b,,c   d') ['a', 'b', 'c', 'd']

re.group   （分组）

re.group(index)

用 () 表示的就是要提取的分组（Group）。

1 2 3 4 5 6 7 8 9

>>> m = re.match(r'^(d{3})-(d{3,8})$', '010-12345') >>> m <_sre.SRE_Match object at 0x1026fb3e8> >>> m.group(0) '010-12345' >>> m.group(1) '010' >>> m.group(2) '12345'

如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。

注意到group(0)永远是原始字符串，group(1)、group(2)……表示提取第1个括号的子串、提取第2个、……个子串。

re.sub    （替换）

re.sub(pattern, repl, string, count)

在字符串 string 中找到匹配正则表达式 pattern 的所有子串，用另一个字符串 repl 进行替换。如果没有找到匹配 pattern 的串，则返回未被修改的 string。Repl 既可以是字符串也可以是一个函数。

第四个参数指替换第几次匹配的项。默认为0，表示每个匹配项都替换。

re.compile    （编译）

把正则表达式的模式和标识转化成正则表达式对象，供 match() 和 search() 这两个函数使用。

当我们在Python中使用正则表达式时，re模块内部会干两件事情：

• 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
• 用编译后的正则表达式去匹配字符串。
  

如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：
>>> import re
# 编译：>>> re_telephone = re.compile(r'^(d{3})-(d{3,8})$')
# 使用：>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')
编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。

re.findall   

re.findall(pattern, string [, flags])

在字符串中找到正则表达式所匹配的所有子串，并组成一个列表返回。

最后：如果能用字符串的方法，就不要选择正则表达式，因为字符串方法更简单快速。