Python你必须要了解的一些点——正则表达式

以你之姓@ 2023-02-14 02:44 156阅读 0赞

### 正则 ###

*   *  1. 正则表达式基础
     *   *   *  1.1 简单介绍
             *  1.2. 数量词的贪婪模式与非贪婪模式
             *  1.3. 反斜杠的困扰
             *  1.4. 匹配模式
     *  2. re模块
     *   *   *  2.1. 开始使用re
             *  2.2. Match
             *  2.3. Pattern
     *  3. 正则匹配模式
     *   *   *  match对象方法详细用法

## 1. 正则表达式基础 ##

#### 1.1 简单介绍 ####

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。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

下图展示了使用正则表达式进行匹配的流程：  
![在这里插入图片描述][format_png]  
正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。

下图列出了Python支持的正则表达式元字符和语法：  
![在这里插入图片描述][format_png 1]

#### 1.2. 数量词的贪婪模式与非贪婪模式 ####

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab\*“如果用于查找"abbbc”，将找到"abbb"。而如果使用非贪婪的数量词"ab\*?"，将找到"a"。

#### 1.3. 反斜杠的困扰 ####

与大多数编程语言相同，正则表达式里使用"“作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\“表示。同样，匹配一个数字的”\\d"可以写成r"\\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

#### 1.4. 匹配模式 ####

正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern\[, flags\])中一起介绍。

--------------------

## 2. re模块 ##

#### 2.1. 开始使用re ####

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先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。

import re
     
    # 将正则表达式编译成Pattern对象
    pattern = re.compile(r'hello')
     
    # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
    match = pattern.match('hello world!')
     
    if match:
        # 使用Match获得分组信息
        print match.group()
     
    ### 输出 ###
    # hello

#### 2.2. Match ####

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

**属性**：

1.  `string`： 匹配时使用的文本。
2.  `re`: 匹配时使用的Pattern对象。
3.  `pos`: 文本中正则表达式开始搜索的索引。值与`Pattern.match()`和`Pattern.seach()`方法的同名参数相同。
4.  `endpos`: 文本中正则表达式结束搜索的索引。值与`Pattern.match()`和`Pattern.seach()`方法的同名参数相同。
5.  `lastindex`: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为`None`。
6.  `lastgroup`: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为`None`。

**方法**：

1.  `group([group1, …])`:  
    获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。**group1**可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回**group(0)**；没有截获字符串的组返回**None**；截获了多次的组返回最后一次截获的子串。
2.  `groups([default])`:  
    以元组形式返回全部分组截获的字符串。相当于调用**group(1,2,…last)**。**default**表示没有截获字符串的组以这个值替代，默认为**None**。
3.  `groupdict([default])`:  
    返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。**default**含义同上。
4.  `start([group])`:  
    返回指定的组截获的子串在**string**中的起始索引（子串第一个字符的索引）。**group**默认值为0。
5.  `end([group])`:  
    返回指定的组截获的子串在**string**中的结束索引（子串最后一个字符的索引+1）。**group**默认值为0。
6.  `span([group])`:  
    返回`(start(group), end(group))`。
7.  `expand(template)`:  
    将匹配到的分组代入**template**中然后返回。**template**中可以使用`\id`或`\g`、`\g`引用分组，但不能使用编号0。`\id`与`\g`是等价的；但`\10`将被认为是第10个分组，如果你想表达`\1`之后是字符’0’，只能使用`\g<1>0`。

import re
    m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
     
    print "m.string:", m.string
    print "m.re:", m.re
    print "m.pos:", m.pos
    print "m.endpos:", m.endpos
    print "m.lastindex:", m.lastindex
    print "m.lastgroup:", m.lastgroup
     
    print "m.group(1,2):", m.group(1, 2)
    print "m.groups():", m.groups()
    print "m.groupdict():", m.groupdict()
    print "m.start(2):", m.start(2)
    print "m.end(2):", m.end(2)
    print "m.span(2):", m.span(2)
    print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')
     
    ### output ###
    # m.string: hello world!
    # m.re: <_sre.SRE_Pattern object at 0x016E1A38>
    # m.pos: 0
    # m.endpos: 12
    # m.lastindex: 3
    # m.lastgroup: sign
    # m.group(1,2): ('hello', 'world')
    # m.groups(): ('hello', 'world', '!')
    # m.groupdict(): {'sign': '!'}
    # m.start(2): 6
    # m.end(2): 11
    # m.span(2): (6, 11)
    # m.expand(r'\2 \1\3'): world hello!

#### 2.3. Pattern ####

**Pattern**对象是一个编译好的正则表达式，通过**Pattern**提供的一系列方法可以对文本进行匹配查找。

**Pattern**不能直接实例化，必须使用`re.compile()`进行构造。

**Pattern**提供了几个可读属性用于获取表达式的相关信息：

1.  **pattern**: 编译时用的表达式字符串。
2.  **flags**: 编译时用的匹配模式。数字形式。
3.  **groups**: 表达式中分组的数量。
4.  **groupindex**: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

import re
    p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
     
    print "p.pattern:", p.pattern
    print "p.flags:", p.flags
    print "p.groups:", p.groups
    print "p.groupindex:", p.groupindex
     
    ### output ###
    # p.pattern: (\w+) (\w+)(?P<sign>.*)
    # p.flags: 16
    # p.groups: 3
    # p.groupindex: {'sign': 3}

**实例方法\[ re模块方法\]**：

1.  `match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])`:  
    这个方法将从**string**的**pos**下标处起尝试匹配**pattern**；如果**pattern**结束时仍可匹配，则返回一个**Match**对象；如果匹配过程中**pattern**无法匹配，或者匹配未结束就已到达**endpos**，则返回**None**。  
    **pos**和**endpos**的默认值分别为0和`len(string)`；`re.match()`无法指定这两个参数，参数**flags**用于编译pattern时指定匹配模式。  
    注意：这个方法并不是完全匹配。当**pattern**结束时若**string**还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符’$’。
2.  `search(string[, pos[, endpos]]) | re.search(pattern, string[,flags])`:  
    这个方法用于查找字符串中可以匹配成功的子串。从**string**的**pos**下标处起尝试匹配**pattern**，如果pattern结束时仍可匹配，则返回一个**Match**对象；若无法匹配，则将**pos**加1后重新尝试匹配；直到`pos=endpos`时仍无法匹配则返回**None**。  
    **pos**和**endpos**的默认值分别为0和`len(string))`；`re.search()`无法指定这两个参数，参数**flags**用于编译**pattern**时指定匹配模式。

import re 
     
    # 将正则表达式编译成Pattern对象 
    pattern = re.compile(r'world') 
     
    # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
    # 这个例子中使用match()无法成功匹配 
    match = pattern.search('hello world!') 
     
    if match: 
        # 使用Match获得分组信息 
        print match.group() 
     
    ### 输出 ### 
    # world

1.  `split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])`:  
    按照能够匹配的子串将**string**分割后返回列表。**maxsplit**用于指定最大分割次数，不指定将全部分割。

import re
     
    p = re.compile(r'\d+')
    print p.split('one1two2three3four4')
     
    ### output ###
    # ['one', 'two', 'three', 'four', '']

1.  `findall(string[, pos[, endpos]]) | re.findall(pattern, string[,flags])`:  
    搜索**string**，以列表形式返回全部能匹配的子串。

import re
     
    p = re.compile(r'\d+')
    print p.findall('one1two2three3four4')
     
    ### output ###
    # ['1', '2', '3', '4']

1.  `finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[,flags])`:  
    搜索**string**，返回一个顺序访问每一个匹配结果（**Match**对象）的迭代器。

import re
     
    p = re.compile(r'\d+')
    for m in p.finditer('one1two2three3four4'):
        print m.group(),
     
    ### output ###
    # 1 2 3 4

1.  `sub(repl, string[, count]) | re.sub(pattern, repl, string[,count])`:  
    使用**repl**替换**string**中每一个匹配的子串后返回替换后的字符串。  
    当**repl**是一个字符串时，可以使用`\id`或`\g`、`\g`引用分组，但不能使用编号0。  
    当**repl**是一个方法时，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。

import re
     
    p = re.compile(r'(\w+) (\w+)')
    s = 'i say, hello world!'
    print p.sub(r'\2 \1', s)
     
    def func(m):
        return m.group(1).title() + ' ' + m.group(2).title()
     
    print p.sub(func, s)
     
    ### output ###
    # say i, world hello!
    # I Say, Hello World!

1.  `subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])`:  
    返回 (sub(repl, string\[, count\]), 替换次数)。

import re
     
    p = re.compile(r'(\w+) (\w+)')
    s = 'i say, hello world!'
     
    print p.subn(r'\2 \1', s)
     
    def func(m):
        return m.group(1).title() + ' ' + m.group(2).title()
     
    print p.subn(func, s)
     
    ### output ###
    # ('say i, world hello!', 2)
    # ('I Say, Hello World!', 2)

--------------------

## 3. 正则匹配模式 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwMTA4MjM3_size_16_color_FFFFFF_t_70]

#### match对象方法详细用法 ####

patt = re.search('(\d+),(\d+)','11,3dsfdsa3324fdag4556'
    >>> print(type(patt))  #返回一个match对象
    <class '_sre.SRE_Match'>
    #string匹配时使用的文本
    >>> print(patt.string)   
    11,3dsfdsa3324fdag4556
    #re匹配时使用的正则模式（pattern对象）
    >>> print(patt.re)
    <_sre.SRE_Pattern object at 0x7fcfa3c4b530>
    #regs返回分组索引
    >>> print(patt.regs)
    ((0, 4), (0, 2), (3, 4))
    #pos开始搜索的索引
    >>> print(patt.pos)
    0
    #endpos结束搜索的索引
    >>> print(patt.endpos)
    22
    #lastindex最后一个被捕获的分组在文本中的索引
    >>> print(patt.lastindex)
    2
    #lastindex最后一个捕获的分组的别名，如没有则返回None
    >>> print(patt.lastgroup)
    None
    #group()获得一个或多个分组截获的字符串
    >>> print(patt.group())
    11,3
    #获得第1个分组的字符串
    >>> print(patt.group(1))
    11
    >>> print(patt.group(2))
    3
    #groups()以元祖的形式返回全部分组截获的字符串
    >>> print(patt.groups())
    ('11', '3')
    #groupdict()返回已有别名的组的别名为健，以该组截获的子串味值的字典
    >>> print(patt.groupdict())
    {
        }
    #start()返回组截获的子串在string中的起始索引
    >>> print(patt.start())
    0
    >>> print(patt.start(1))
    0
    #返回第2个分组的起始索引
    >>> print(patt.start(2))
    3
    #stop()返回组截获的子串在string中的结束索引
    >>> print(patt.end(2))
    4
    >>> print(patt.end(1))
    2
    #返回开始和结束的索引
    >>> print(patt.span())
    (0, 4)
    #返回第1个分组的开始结束索引
    >>> print(patt.span(1))
    (0, 2)
    >>> print(patt.span(2))
    (3, 4)

参考链接：

1.  https://www.cnblogs.com/zhangxinqi/p/8013232.html
2.  https://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWFnZXMuY25ibG9ncy5jb20vY25ibG9nc19jb20vaHV4aS9XaW5kb3dzTGl2ZVdyaXRlci9QeXRob25fMTBBNjcvcmVfc2ltcGxlXzM4MjQ2YTU4LTgzYmUtNGFkZi05ZjMwLTZkNzM1ZTliOWI0Ny5wbmc?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWFnZXMuY25ibG9ncy5jb20vY25ibG9nc19jb20vaHV4aS9XaW5kb3dzLUxpdmUtV3JpdGVyL1B5dGhvbl8xMEE2Ny9weXJlX2ViYjljZTFjLWU1ZTgtNDIxOS1hOGFlLTdlZTYyMGQ1ZjlmMS5wbmc?x-oss-process=image/format,png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwMTA4MjM3_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2020053117121258.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwMTA4MjM3,size_16,color_FFFFFF,t_70