本篇将介绍python正则表达式,更多内容请参考:【python正则表达式】
正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一些过滤逻辑。
给定一个正则表达式和另一个字符串,我们可以达到如下的目的:
在python中,我们可以使用内置的re模块来使用正则表达式。
有一点需要特别注意的是,正则表达式使用对特殊字符进行转义,所以如果我们要使用原始字符串,只需要一个r前缀,示例:
- r 'chuanzhiboke\t\.\tpython'
函数将正则表达式的字符串形式编译为一个
- compile()
对象
- Pattern
对象提供的一系列方法将文本进行匹配查找,获得匹配结果(一个Match对象)
- Pattern
对象提供的属性和方法获得信息,根据需要进行其他的操作。
- Match
compile函数用于编译正则表达式,生成一个Pattern对象,它的一般使用形式如下:
- import re
- #将正则表达式编译为Pattern对象
- pattern = re.compile(r'\d+')
在上面,我们已将一个正则表达式编译成Pattern对象,接下来,我们就可以利用pattern的一系列方法对文本进行匹配查找了。
Pattern对象的一些常用方法主要有:
- match对象:从起始位置开始查找,一次匹配。
- search对象:从任何位置开始查找,一次匹配。
- findall()对象:全部匹配,返回列表。
- finditer()对象:全部匹配,返回迭代器。
- spilt()对象:分割字符串,返回列表
- sub()对象:替换
match 方法
match方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果返回,而不是查找所有匹配的结果,它的一般使用形式如下:
- match(string[, pos[, endpos]])
其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置,默认值分别是0和len(字符串长度)。因此,当你不指定pos和endpos时,match方法默认匹配字符串的头部。
当匹配成功时,返回一个Match对象,如果没有匹配上,则返回None。
- >>>import re
- >>>pattern = re.compile(r'\d+') #用于匹配至少一个数字
- >>>m = pattern.match('one12twothree34four') #查找头部,没有匹配
- >>>print(m) #如果没有匹配上,就什么也不输出
- >>>m = pattern.match('one12twothree34four', 2, 10) #从'e'的位置开始匹配,没有匹配到
- >>>print(m)
- >>>m = pattern.match('one12twothree34four', 3, 10) #从'1' 的位置开始匹配,正好匹配上
- >>>print(m)
- <_sre.SRE_Match object at 0x10a42aac0>
- >>>m.group(0) #可忽略0
- '12'
- >>>m.start(0) #可忽略0
- 3
- >>>m.end(0) #可忽略0
- 5
- >>>m.span(0) #可忽略0
- (3, 5)
在上面,当匹配成功时返回一个Match对象,其中:
- >>>import re
- >>>pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) #表示忽略大小写
- >>>m = pattern.match('hello world wide web')
- >>>print(m) #匹配成功,返回一个Match对象
- <_sre.SRE_Match object at 0x10bea83e8>
- >>>m.group(0) #返回匹配成功的整个子串
- 'Hello World'
- >>>m.span(0) #返回匹配成功的整个子串
- (0, 11)
- >>>m.group(1) #返回第一个分组匹配成功的子串
- 'Hello'
- >>>m.span(1) #返回第一个分组匹配成功
- (0, 5)
- >>>m.group(2) #返回第2个分组匹配成功的子串
- 'World'
- >>>m.span(2) #返回第2个分组匹配成功的子串的位置
- (6, 11)
- >>>m.groups() #等价于(m.group(1), m.group(2), ...)
- ('Hello', 'World')
- >>>m.group(3) #不存在第3个分组
- Traceback (most recent call last):
- File "<stdin>", line 1, in <module>
- IndexError: no such group
search方法
search方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:
- search[string[, pos[, endpos]]]
其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置,默认值分别是0和len(字符串长度)。
当匹配成功时,返回一个Match对象,如果没有匹配上,则返回None。
让我们看看例子:
- >>>import re
- >>>pattern = re.compile('\d+')
- >>>m = pattern.search('one12twothree34four') #这里如果使用match方法则不匹配
- >>>m
- <_sre.SRE_Match object at 0x10cc03ac0>
- >>>m.group()
- '12'
- >>>m = pattern.search('one12twothree34four', 10, 30) #指定字符串区间
- >>>m
- <_sre.SRE_Match object at 0x10cc03b28>
- >>>m.group()
- '34'
- >>>m.span()
- (13, 15)
在看一个例子:
- # coding:utf-8
- import re
- #将正则表达式编译成Pattern对象
- pattern = re.compile(r'\d+')
- #使用search()方法查找匹配的字符串,不存在匹配的子串时将不返回
- m = pattern.search('hello 123456 789')
- if m:
- #使用Match获得分组信息
- print('matching string:',m.group())
- #起始位置和结束位置
- print('position: ',m.span())
执行结果:
- matching string: 123456
- position:(6,12)
findall 方法
上面的match和search方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。
findall方法的使用形式如下:
- findall(string[, pos[, endpos]])
其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置分别是0和len(字符串长度)。
findall是以列表形式返回全部能匹配到的子串,如果没有匹配,则返回一个空列表。
- import re
- pattern = re.compile(r'\d+') #查找数字
- result1 = pattern.findall('hello 123456 789')
- result2 = pattern.findall('one1two2three3four4', 0, 10)
- print(result1)
- print(2)
执行结果如下:
- [
- '123456'
- ,
- '789'
- ]
- [
- '1'
- ,
- '2'
- ]
再来看一个例子:
- import re
- #re模块提供一个方法叫compile提供,提供我们输入一个匹配的规则
- #然后返回一个pattern实例,我们根据这个规则去匹配字符串
- pattern = re.compile(r'd+\.\d*')
- #通过pattern.findall()方法能够全部匹配到我们得到的字符串
- result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
- #findall以列表形式 返回全部能匹配到的子串给result
- for item in result:
- print(item)
运行结果:
- 123.141593
- 3.15
finditer方法
finditer方法的行为跟findall的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match对象)的迭代器。
- #coding:utf-8
- import re
- pattern = re.compile(r'\d+')
- result1 = pattern.finditer('hello 123456 789')
- result2 = pattern.finditer('one1two2three3four4', 0, 10)
- print(result1)
- print(result2)
- print('result1....')
- for m1 in result1:
- print("matching string:{} position:{}".format(m1.group(), m1.span()))
- print('result2....')
- for m2 in result2:
- print("matching string:{} position:{}".format(m2.group(), m2.span()))
执行结果:
- <type 'callable-iterator'>
- <type 'callable-iterator'>
- result1.
- matching string: 123456, position: (6, 12)
- matching string: 789, position: (13, 16)
- result2
- matching string: 1, position: (3, 4)
- matching string: 2, position: (7, 8)
split 方法
split方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:
- split(string[, maxsplit])
其中,maxsplit用于指导最大分割次数,不知道静全部分割。
看看例子:
- import re
- p = re.compile(r'[\s\,;]+')
- print(p.split('a,b;;c d'))
执行结果:
- [
- 'a'
- ,
- 'b'
- ,
- 'c'
- ,
- 'd'
- ]
sub方法
sub方法用于替换。它的使用形式如下:
- sub(repl, string[, count])
其中,repl可以是字符串也可以是一函数:
看看例子:
- import re
- p = re.compile(r'(\w+) (\w+)') #\w=[A-Za-z0-9]
- s = 'hello 123, hello 456'
- print(p.sub(r'hello world', s)) #使用'hello world'替换'hello 123'和'hello 456'
- print(p.sub(r'\2 \1', s))
- def func(m):
- return 'hi' + ' ' + m.group(2)
- print(p.sub(func, s))
- print(p.sub(func, s, 1))
执行结果:
- hello world, hello world
- 123 hello, 456 hello
- hi 123, hi 456
- hi 123, hello 456
匹配中文
在某些情况下,我们想要匹配文本中的汉字,有一点需要注意的是,中文的unicode编码范围主要在[u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。
假设现在想把字符串title=u'你好,hello,世界'中的中文提取出来,可以这么做:
- import re
- title = u'你好,hello,世界'
- pattern = re.compile(u'[\u4e00-\u9fa5]+')
- result = pattern.findall(title)
- print(result)
注意到,我们在正则表达式前面加上了前缀u,u表示unicode字符串。
执行结果:
- ['你好', '世界']
注意:贪婪模式与非贪婪模式
- abbbc
,匹配结果:abbb。
- ab+
*决定了尽可能多匹配b,所以a后面所有的b都出现了。
,匹配结果:a。
- ab*?
即使前面有,但是
- *
决定了尽可能少匹配b,所以没有b。
- ?
- aa<div>test1</div>bb<div>test2</div>cc
- <div>.*</div>
- <div>test1</div>bb<div>test2</div>
这里采用的是贪婪模式。在匹配到第一个“”时已经可以使整个表达式匹配成功,但是由于采用的是贪婪模式,所以仍然要向右尝试匹配,查看是否还有更长的可以成功匹配的子串。匹配到第二个“
- </div>
”后,向右再没有可以成功匹配的子串,匹配结束,匹配结果为“
- </div>
”
- <div>test1</div>bb<div>test2</div>
- <div>.*?</div>
- <div>test1</div>
正则表达式二采用的是非贪婪模式,在匹配到第一个“”时使整个表达式匹配成功,由于采用的是非贪婪模式,所以结束匹配,不再向右尝试,匹配结果为“
- </div>
”。
- <div>test1</div>
来源: http://www.cnblogs.com/miqi1992/p/7801662.html