Python学习笔记：re模块（正则表达式）

本文是部分内容参考自：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html，虽然这篇博客是基于Python2.4的老版本，但是对于Python正则表达式还是非常全的。

　　1、正则表达式是用于处理字符串的功能强大的工具，但它并不是Python所独有的，许多编程语言都支持正则表达式，用法也都区别不大；

　　2、Python中正则表达式的应用在re模块中，re模块中的方法使用正则表达式来匹配字符串；

　　3、Python中的数量词默认是贪婪的，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"。）；

　　4、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。

　　5、如下是常用正则表达式语法：

语法	说明	正则表达式实例	匹配字符串	匹配结果
.	匹配任意字符，除换行符“\n”外	r'a.'	'abc'	'ab'
\	转义字符，可以用来匹配特殊的字符 特殊字符也可以放在[]字符集中来匹配	r'a\*' r'a[*]'	'a*b' 'a*b'	'a*' 'a*'
[]或[^...]	字符集[]，匹配字符集中的一个字符，从开始匹配直到匹配成功 开头加上“^”表示取反，即只要不是字符集中列出的字符都可匹配成功 可以在[]列出全部想要匹配的字符，也可以列出字符的范围，如[a-c]或[abc] 所有特殊字符放在字符集中都失去在正则表达式中的原有的意义	r'a[efg]'	'afggg'	'af'
\d	匹配单个数字字符：0到9	r'a\d'	'a345b'	'a3'
\D	匹配非数字字符	r'a\D' r'a[^\d]'	'ab3' 'ab3'	'ab' 'ab'
\s	匹配空白字符：空格，\t，\r，\n，\f，\v	r'a\s'	'a\n'	'a\n'
\S	匹配非空白字符	r'a\S' r'a[^\s]'	'ab' 'ab'	'ab' 'ab'
\w	匹配单词字符：[a-zA-Z0-9_]	r'a\w'	'a9'	'a9'
\W	匹配非单词字符	r'a\W'	'a+'	'a+'
*	匹配前一个字符0到无限次	r'ab*'	'a'	'a'
+	匹配前一个字符1到无限次	r'ab+'	'abbbcde'	'abbb'
?	匹配前一个字符0次或1次	r'ab?'	'abbbcde'	'ab'
{m}	匹配前一个字符m次	r'ab{2}'	'abbbcde'	'abb'
{m,n}	匹配前一个字符m次至n次 m和n可省略，{m,}匹配前一个字符m次至无限次，{,n}匹配前一个字符0次至n次	r'ab{1,2}'	'abbbbcde'	'abb'
*？或+?或??或{m,n}?	使*、+、?和{m,n}的匹配变成非贪婪模式（Python默认是贪婪模式）	r'ab+?'	'abbbcde'	'ab'
^	匹配字符串的开头（用在字符集中[]表示取反）	r'^ab'	'abbb'	'ab'
$	匹配字符串的结尾	r'cd$'	'abcd'	'cd'
()	括号中的内容被作为分组 ()后可以接数量词	r'a(def){2}b'	'adefdefbcc'	'adefdefb'
|	相当于“或”，从左到右匹配被|分隔的表达式，一旦匹配成功就不会继续往后匹配了。	r'abb(c|d)'	'abbdefg'	'abbd'
?:	取消分组。想使用括号，但是不想它成为分组，就可以使用这个语法。	re.findall(r'abb(?:c|d)', 'abbdefg')		'abbd'
\<num>	引用指定编号的分组结果。	re.sub(r'a(a)b(b)', r'\2dd\1', 'aabbcc')		'bddacc'

　re模块中的几个常用方法（pattern为正则表达式，string为需要匹配查找的字符串）：

• re.compile(pattern)：编译正则表达式，返回编译后的模正则表达式对象，该对象同样拥有match、search等方法。如果某个正则表达式需要多次使用，建议使用此函数先预编译正则表达式，可以提升正则表达式部分的程序性能。
• re.match(pattern, string)：匹配字符串的开头，成功则返回匹配对象，否则返回None。
• re.search(pattern, string)：从字符串开头开始查找匹配，直到匹配成功，则不再往后继续查找匹配，成功返回匹配对象，否则返回None。
• re.findall(pattern, string)：查找匹配字符串中所有内容，返回查找成功的字符串的列表，如果字符串中没有匹配成功的内容，则返回空列表，如果pattern中有括号()分组，则列表中只返回匹配成功后的分组中的字符串内容。
• re.sub(pattern, repl, string, count=0)：使用正则表达式pattern在字符串string中匹配查找，匹配查找成功后使用新字符串repl替换掉匹配成功的字符串，并返回，count为替换次数，默认0不是替换0次，而是替换所有。repl中可以使用“\<num>”形式引用pattern中的分组内容。repl也可以是函数，该函数的参数为匹配对象，且应该返回一个字符串用于替换匹配成功的字符串，具体示例见下方的代码。
• re.split(pattern, string, maxsplit=0)：使用匹配成功后的字符串作为“分割符”，返回分割后的字符串列表，maxsplit为分割的次数，默认0不是分割0次，而是分割所有。建议简单的字符串分割首选字符串本身的split方法，复杂的分割才考虑正则表达式。
• re.finditer(pattern, string)：返回全部查找结果的迭代器，每个迭代对象为匹配对象，可以使用group()和groups()获取匹配成功的结果，如果没有匹配成功的字符串，则返回一个空的迭代器（不是None）。

　注：

• group(*args)：匹配对象的group()默认返回匹配成功的整个字符串，如果正则表达式中有括号分组，可以指定返回第几个分组结果，指定时从1开始计数，比如group(2)返回匹配成功的字符串中的第二个分组结果；也可以指定返回多个分组结果，结果以元组的形式返回，比如group(1, 2, 3)以元组返回匹配成功的字符串中的第一、第二和第三个分组结果；如果正则表达式中给某个或某几个分组指定了别名，则可以使用别名来代替分组编号来获取匹配成功的对应分组结果。
• groups()：匹配对象的groups()以元组的形式返回匹配成功后括号中分组的内容，相当于group(1,..., n)，但是正则表达式中没有括号分组，则返回空元组，即使匹配成功，也是返回空元组。

>>> import re
>>> pattern = re.compile('python') # compile将字符串当做正则表达式来编译
>>> result = pattern.search('hello python!')
>>> result
<_sre.SRE_Match object; span=(6, 12), match='python'>
>>> result.group()
'python'

>>>
>>> # match方法
>>> result = re.match('a', 'abc') # match是从字符串的开头开始匹配
>>> result
<_sre.SRE_Match object; span=(0, 1), match='a'>
>>> result.group() # 并不直接返回匹配成功的字符串，需要使用group()方法
'a'
>>> result = re.match('a', 'dabc')
>>> result
>>> result.group() # 没有匹配成功
Traceback (most recent call last):
File "<pyshell#6>", line 1, in <module>
result.group()
AttributeError: 'NoneType' object has no attribute 'group'

>>>

>>> # search方法
>>> result = re.search('python', 'abcpythondef') # 在字符串的全文中搜索匹配一次，同样也不会直接返回匹配成功的字符串
>>> result
<_sre.SRE_Match object; span=(3, 9), match='python'>
>>> result.group()
'python'

>>>

>>> # findall方法
>>> result = re.findall('python', 'abc python def python ghi')
>>> result
['python', 'python']
>>> # sub方法
>>> result = re.sub('c', 'z', 'click', 1) # 使用匹配成功的字符串替换成指定的字符串，参数依次为正则表达式，匹配成功后要去替换的字符串，原字符串，替换次数
>>> result # 返回替换后的字符串
'zlick'

>>> def sub_no_use_match(match_obj): # 用不到模式对象match_obj，但是该函数必须有这个参数
return '36'

>>> re.sub(r'\d+', sub_no_use_match, 'Python27') # 以函数返回的字符串替换匹配成功的字符串
'Python36'
>>> def sub_use_match(match_obj): # 使用模式对象match_obj来返回最终的字符串
return match_obj.group() + 'hahahaha'

>>> re.sub(r'\d+', sub_use_match, 'Python27')
'Python27hahahaha'
>>>

>>> # split方法
>>> result = re.split('a', '1a2a3a4guyuyun') # 将匹配成功的字符串用作字符串分隔符，返回分隔后的字符串列表
>>> result
['1', '2', '3', '4guyuyun']

>>>

>>> # group和groups方法的区别
>>> result = re.search('(python)python(\d{1,3})', 'pythonpython22')
>>> result.groups() # groups方法是匹配pattern中括号里的格式，以元组的形式返回括号里匹配成功的字符串
('python', '22')
>>> result.group() # group是正常的匹配，返回匹配成功的字符串
'pythonpython22'
>>>

>>> string = 'python'
>>> import re
>>> result = re.search(r'(yt)h(o)', string)
>>> result
<_sre.SRE_Match object at 0x000000000293DE88>
>>> result.group()
'ytho'
>>> result.group(0) # 参数0无效
'ytho'
>>> result.group(1) # 从1开始计数
'yt'
>>> result.group(2)
'o'

>>> result.group(1, 2)
('yt', 'o')
>>>

>>> result.groups()
('yt', 'o')
>>> result.groups(0) # 传入参数无效
('yt', 'o')
>>> result.groups(1)
('yt', 'o')
>>>

>>> # finditer方法

>>> string = 'one11python, two22, three33python '
>>> result = re.finditer(r'(\d+)(python)', string)
>>> for p in result:
print(p.group())

11python
33python
>>> for p in result:
print(p.group(2))

python
python
>>> for p in result:
print(p.groups()) # 若是pattern中没有括号，则返回的是每个迭代器对应的空元组。

('11', 'python')
('33', 'python')