《Modern Python Cookbook》（Python经典实例）笔记1.7 使用正则表达式解析字符串

Python内置了正则表达式模块re。

分解复杂字符串最简单的方法是将字符串归纳为模式（pattern），然后编写描述该模式的正则表达式。

案例：

假设我们想分离某个食谱网站中的文本。每行内容如下所示：

ingredient = "Kumquat: 2 cups" 

操作步骤如下：

（1）分析文本，概括模式，文本可以分为如下3个部分
(ingredient words): (amount digits) (unit words) 

（2）导入re模块

（3）把模式改写为正则表达式

（4）编译模式

（5）匹配模式

In [1]: import re
In [2]: ingredient ='Kumquat:2 cup'
In [3]: pattern_text=r'(?P<ingredient>\w+):+(?P<amount>\d+)\s+(?P<unit>\w+)'
In [4]: pattern =re.compile(pattern_text)
In [5]: match= pattern.match(ingredient)
In [6]: pattern
Out[6]: re.compile(r'(?P<ingredient>\w+):+(?P<amount>\d+)\s+(?P<unit>\w+)', re.U
NICODE)
In [7]: match
Out[7]: <re.Match object; span=(0, 13), match='Kumquat:2 cup'>
In [8]: match.groups()
Out[8]: ('Kumquat', '2', 'cup')

代码解析：

正则表达式中有大量\，因此需要在字符串前加r前缀，保证不转义。

正则表达式中的(?P<name>...)标识了每个分组，也即给提取出来的内容命名。

\w+提取多个字符，\d+提取多个数字，\s+提取多个空格。

结果保存在groups()返回值中，格式为元组。

正则表达式基础：

正则表达式可以描述多种字符串模式。
前面已经介绍了一些字符类：
 \w匹配任意字母或数字（a到z，A到Z，0到9）；
 \d匹配任意十进制数字；
 \s匹配任意空格或制表符。
这些类还有相反的类：
 \W匹配任意不是字母或数字的字符；
 \D匹配任意不是数字的字符；
 \S匹配任意不是某种空格或制表符的字符。

另外还有一些特殊符号：

+作为后缀表示匹配一个或多个前面的模式。\d+表示匹配一个或多个数字。要匹配一个普通的+字符，需要使用\+。
*作为后缀表示匹配零个或多个前面的模式。\w*表示匹配零个或多个字符。要匹配一个*字符，需要使用\*。
?作为后缀表示匹配零个或一个前面的表达式。这个字符还在其他地方使用，并且具有略微不同的含义。在(?P<name>...)中，它在()里面，用于定义分组的特殊属性。
.表示匹配任意单个字符。要匹配具体的.，需要使用\.。[]表示匹配集合中的任一元素。