【Python】正则表达式总结

【Python】正则表达式总结

一，re模块

1，过程

re模块的一般过程如下
expression - > pattern object -> match object -> result
对应的代码如下：

import re
pa = re.compile('some_express')
ma = pa.match(str1)
ma.group()

２，常用方法

常用方法有：
match()
search()
findall()
sub()
split()
前三种方法容易弄混，他们之间存在着差异，

import re
mo_by_match = re.match(r'\d{3}','ab123x12122sa')
mo_by_search = re.search(r'\d{3}', 'ab123x12122sa')
mo_by_findall = re.findall(r'\d{3}', 'ab123x12122sa')
mo_by_findall2 = re.findall(r'(\d{3})(.)', 'ab123x12122sa')
print(mo_by_match)
print(mo_by_search)
print(mo_by_findall)
print(mo_by_findall2)

结果：
None #未匹配
<_sre.SRE_Match object; span=(2, 5), match=‘123’> # 返回第一个匹配字符串
[‘123’, ‘121’] #字符串列表
[(‘123’, ‘x’), (‘121’, ‘2’)] #元组列表
（1）match和search都是测试正则表达式与字符串是否匹配，不同的是，match要求字符串的第一个字符就能匹配上正则表达示，也就是说match()只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回none。而search则不同，如果字符串开头不能匹配，即会继续往后匹配，直接匹配成功或者到字符串结束。
（2）search和findall都是扫描整个字符串，search返回一个match对象，包含匹配到的“第一个”字符串，而findall返回一个所有匹配字符串组成的列表，并不是返回match对象。
（3）findall还有另一个特殊用法，如果调用一个有“()”进行分组的正则表达式时，会返回一个元祖列表，每一个元组都是匹配的结果。
（4）sub()传入三个参数pattern, repl, string，pattern为表达式，string为被替换的字符串，repl是用于替换，“repl can be either a string or a callable; If it is a callable, it’s passed the match object and must return a replacement string to be used.”
举个例子

str1 = 'I am 23 years old'
def add_age(match):
    age = int(match.group())
    age = age + 1     
    return str(age)

new_age = re.sub(r'\d+',add_age,str1)
print(new_age)

sub中已经将match对象传入add_age中，match对象是re.match(r’\d+’,str1)的返回，计算出结果返回，再进行替换str1中数字，至于match对象是如何让传递的，我也没弄明白，只能根据代码注释猜测下，
（5）re模块split()是str.split()的升级版，
举个简单粗暴的例子：

str2 = 'Split:the source string,by the occurrences#of the pattern' 
result = re.split(r':| |,|#',str2)
print(result)

[‘Split’, ‘the’, ‘source’, ‘string’, ‘by’, ‘the’, ‘occurrences’, ‘of’, ‘the’, ‘pattern’]
如果用str.split()就没法对str2进行切分，但是使用re.split()可以应对，虽然粗暴些。

二，正则表达式语法

1，匹配单个字符

（1）“."称为“通配符”，匹配除了换行符“\n”，一个“.”只匹配一个字符，
（2）“[…]”可以用于建立自己的字符分类，比如[A-Z0-9]匹配大写字母和数字，此外，在[]中的正则表达式符号都会被自动转义，不需要使用反斜杠转义，比如匹配一个问号，可以是[?]。
（3）可以在“[…]”的开头加入“^”，表示非该字符集，[^A-Z0-9]表示非大写字母和数字。

2，匹配多个字符

（1）.*的组合匹配除换行符外的所有字符，但是可以通过传入re,DOTALL就可以匹配换行符在内的所有字符。如果是eclipse的Pydev使用这个参数时会报错，但是其实是正确的，可以按照这个修改
window – preferences – pydev – editor – code analysis – Undefined – undefined variable from import将错误改成警告。
（2）如果限定了匹配次数m，则会根据m值进行匹配，也可以设定一个范围m至n次
（3）贪心与非贪心，Python默认使用“贪心”的匹配模式，会尽可能的匹配更长的字符串，举个例子，可以匹配3,4,5，但是匹配到次数为5的字段串。

ma = re.match(r'(.)+','Split:the source string,by the occurrences#of the patter')
print(ma.group())

结果：Split:the source string,by the occurrences#of the patter
通过在末尾添加“?”,可以采用“非贪心”模式，尽可能匹配最短的字符串，举个例子

ma = re.match(r'(.)+？','Split:the source string,by the occurrences#of the patter')
print(ma.group())

结果：S
"+"匹配1次或者无限次，这里只匹配一次。

3，边界匹配

（1）如果同时使用^和$，则整个字符串需要与之间的内容完全匹配。
\A，\Z目前还没用过，感觉应该和^，$类似吧

4，分组匹配

（1）|与() 一起使用，可以指定几种可选的模式，举个例子，匹配多种邮箱号：

[\w]{6,10}@(163|126|qq).com

（2）引用编号的分组，举个例子

ma = re.search(r'<([\w]+>)([\w]+)</\1', '<h1>Python</h1>')
print(ma.group())       #<h1>Python</h1>

\1代表第一个分组：[\w]+>，表达式等价于<([\w]+>)([\w]+)</[\w]+>，只是有点冗长。
（3）分组起别名，可以看成是赋值给一个变量，然后就可以使用这个变量，

ma = re.search(r'<(?P<h1>[\w]+>)([\w]+)</(?P=h1)', '<h1>Python</h1>')
print(ma.group())      #<h1>Python</h1>

分组：[\w]+>赋给h1，然后在后面使用h1这个变量，？P是大写P，不是小写

5，高阶正则表达式

除了前面的语法，正则还有些高级些的语法，比如(?:…)，(?=…)，(?<=…)，(?!..)，(?<!..)，个人觉得这些不太好理解，需要实际遇到后，结合实际问题再去理解会好些，把前面的基本语法弄懂，并结合实际问题使用熟练就够了。有几篇详细的博文可以参考
http://www.cnblogs.com/symbol441/articles/957950.html
http://www.cnblogs.com/xiashengwang/p/3988573.html

参考：
《Python编程快速上手》