python 詳解re模塊_python re_正則表達式

正則表達式的元字符有. ^ $ * ? { [ ] | ( )
．表示任意字符
［］用來匹配一個指定的字符類別，所謂的字符類別就是你想匹配的一個字符集，對于字符集中的字符可以理解成或的關系。
^ 如果放在字符串的開頭，則表示取非的意思。[^5]表示除了5之外的其他字符。而如果^不在字符串的開頭，則表示它本身。

具有重復功能的元字符：
* 對于前一個字符重復0到無窮次
對于前一個字符重復1到無窮次
？對于前一個字符重復0到1次
{m,n} 對于前一個字符重復次數(shù)在為m到n次，其中，{0,} = *,{1,} = , {0,1} = ?
{m} 對于前一個字符重復m次

\d 匹配任何十進制數(shù)；它相當于類 [0-9]。
\D 匹配任何非數(shù)字字符；它相當于類 [^0-9]。
\s 匹配任何空白字符；它相當于類 [ fv]。
\S 匹配任何非空白字符；它相當于類 [^ fv]。
\w 匹配任何字母數(shù)字字符；它相當于類 [a-zA-Z0-9_]。
\W 匹配任何非字母數(shù)字字符；它相當于類 [^a-zA-Z0-9_]。

正則表達式(可以稱為REs，regex，regex pattens)是一個小巧的，高度專業(yè)化的編程語言，它內(nèi)嵌于python開發(fā)語言中，可通過re模塊使用。正則表達式的

pattern可以被編譯成一系列的字節(jié)碼，然后用C編寫的引擎執(zhí)行。下面簡單介紹下正則表達式的語法

正則表達式包含一個元字符(metacharacter)的列表，列表值如下:    . ^ $ * + ? { [ ] \ | ( )

1.元字符([ ]),它用來指定一個character class。所謂character classes就是你想要匹配的字符(character)的集合.字符(character)可以單個的列出，也可以通過”-“來分隔兩個字符來表示一 個范圍。例如，[abc]匹配a，b或者c當中任意一個字符，[abc]也可以用字符區(qū)間來表示—[a-c].如果想要匹配單個大寫字母，你可以用 [A-Z]。

元字符(metacharacters)在character class里面不起作用，如[akm$]將匹配”a”,”k”,”m”,”$”中的任意一個字符。在這里元字符(metacharacter)”$”就是一個普通字符。

2.元字符[^]. 你可以用補集來匹配不在區(qū)間范圍內(nèi)的字符。其做法是把”^”作為類別的首個字符；其它地方的”^”只會簡單匹配 “^”字符本身。例如，[^5] 將匹配除 “5” 之外的任意字符。同時，在[ ]外，元字符^表示匹配字符串的開始，如”^ab+”表示以ab開頭的字符串。

舉例驗證，

>>> m=re.search(“^ab+”,”asdfabbbb”)
>>> print m
   None
   >>> m=re.search(“ab+”,”asdfabbbb”)
   >>> print m
   <_sre.SRE_Match object at 0x011B1988>
   >>> print m.group()
   abbbb

上例不能用re.match,因為match匹配字符串的開始，我們無法驗證元字符”^”是否代表字符串的開始位置。

>>> m=re.match(“^ab+”,”asdfabbbb”)
   >>> print m
   None
   >>> m=re.match(“ab+”,”asdfabbbb”)
   >>> print m
   None

#驗證在元字符[]中，”^”在不同位置所代表的意義。
>>> re.search(“[^abc]”,”abcd”)  #”^”在首字符表示取反，即abc之外的任意字符。
<_sre.SRE_Match object at 0x011B19F8>
>>> m=re.search(“[^abc]”,”abcd”)
>>> m.group()
‘d’
>>> m=re.search(“[abc^]”,”^”)  #如果”^”在[ ]中不是首字符，那么那就是一個普通字符
>>> m.group()
‘^’

不過對于元字符”^”有這么一個疑問.官方文檔http://docs.python.org/library/re.html有關元字符”^”有這么一句話，Matches the start

of the string, and in MULTILINE mode also matches immediately after each newline.

我理解的是”^”匹配字符串的開始，在MULTILINE模式下，也匹配換行符之后。

>>> m=re.search(“^a\w+”,”abcdfa\na1b2c3″)

>>> m.group()

’abcdfa’

>>> m=re.search(“^a\w+”,”abcdfa\na1b2c3″,re.MULTILINE)，

>>> m.group()  #

’abcdfa’

我 認為flag設定為re.MULTILINE，根據(jù)上面那段話，他也應該匹配換行符之后，所以應該有m.group應該有”a1b2c3″,但是結(jié)果沒 有，用findall來嘗試，可以找到結(jié)果。所以這里我理解之所以group里面沒有，是因為search和match方法是匹配到就返回，而不是去匹配 所有。

>>> m=re.findall(“^a\w+”,”abcdfa\na1b2c3″,re.MULTILINE)

>>> m

[‘a(chǎn)bcdfa’, ‘a(chǎn)1b2c3’]

3. 元字符(\),元字符backslash。做為 Python 中的字符串字母，反斜杠后面可以加不同的字符以表示不同特殊意義。

它也可以用于取消所有的元字符，這樣你 就可以在模式中匹配它們了。例如，如果你需要匹配字符 “[” 或 “\”，你可以在它們之前用反斜杠來取消它們的特殊意義： \[ 或 \\

4。元字符($)匹配字符串的結(jié)尾或者字符串結(jié)尾的換行之前。（在MULTILINE模式下，”$”也匹配換行之前）

正則表達式”foo”既匹配”foo”又匹配”foobar”,而”foo$”僅僅匹配”foo”.

>>> re.findall(“foo.$”,”foo1\nfoo2\n”)#匹配字符串的結(jié)尾的換行符之前。
    [‘foo2’]

>>> re.findall(“foo.$”,”foo1\nfoo2\n”,re.MULTILINE)
    [‘foo1’, ‘foo2’]

>>> m=re.search(“foo.$”,”foo1\nfoo2\n”)
>>> m
<_sre.SRE_Match object at 0x00A27170>
>>> m.group()
‘foo2’
>>> m=re.search(“foo.$”,”foo1\nfoo2\n”,re.MULTILINE)
>>> m.group()
‘foo1’

看來re.MULTILINE對$的影響還是蠻大的。

5.元字符(*),匹配0個或多個

6.元字符(?)，匹配一個或者0個

7.元字符(+), 匹配一個或者多個
    8,元字符(|), 表示”或”，如A|B，其中A，B為正則表達式，表示匹配A或者B

9.元字符({})

{m},用來表示前面正則表達式的m次copy，如”a{5}”，表示匹配5個”a”,即”aaaaa”

>>> re.findall(“a{5}”,”aaaaaaaaaa”)
[‘a(chǎn)aaaa’, ‘a(chǎn)aaaa’]
>>> re.findall(“a{5}”,”aaaaaaaaa”)
[‘a(chǎn)aaaa’]

{m.n}用來表示前面正則表達式的m到n次copy,嘗試匹配盡可能多的copy。

>>> re.findall(“a{2,4}”,”aaaaaaaa”)
[‘a(chǎn)aaa’, ‘a(chǎn)aaa’]
  通過上面的例子，可以看到{m,n}，正則表達式優(yōu)先匹配n，而不是m，因為結(jié)果不是[“aa”,”aa”,”aa”,”aa”]

>>> re.findall(“a{2}”,”aaaaaaaa”)
[‘a(chǎn)a’, ‘a(chǎn)a’, ‘a(chǎn)a’, ‘a(chǎn)a’]

{m,n}?  用來表示前面正則表達式的m到n次copy，嘗試匹配盡可能少的copy

>>> re.findall(“a{2,4}?”,”aaaaaaaa”)
[‘a(chǎn)a’, ‘a(chǎn)a’, ‘a(chǎn)a’, ‘a(chǎn)a’]

10。元字符(  “( )” ),用來表示一個group的開始和結(jié)束。

比較常用的有(REs),(?P<name>REs),這是無名稱的組和有名稱的group，有名稱的group，可以通過matchObject.group(name)

獲取匹配的group，而無名稱的group可以通過從1開始的group序號來獲取匹配的組，如matchObject.group(1)。具體應用將在下面的group()方法中舉例講解

11．元字符(.)

元字符“.”在默認模式下，匹配除換行符外的所有字符。在DOTALL模式下，匹配所有字符，包括換行符。

>>> import re

>>> re.match(“.”,”\n”)

>>> m=re.match(“.”,”\n”)

>>> print m

None

>>> m=re.match(“.”,”\n”,re.DOTALL)

>>> print m

<_sre.SRE_Match object at 0x00C2CE20>

>>> m.group()

’\n’

下面我們首先來看一下Match Object對象擁有的方法,下面是常用的幾個方法的簡單介紹

1.group([group1,…])

返回匹配到的一個或者多個子組。如果是一個參數(shù)，那么結(jié)果就是一個字符串，如果是多個參數(shù)，那么結(jié)果就是一個參數(shù)一個item的元組。group1的默 認值為0(將返回所有的匹配值).如果groupN參數(shù)為0，相對應的返回值就是全部匹配的字符串，如果group1的值是[1…99]范圍之內(nèi)的,那么 將匹配對應括號組的字符串。如果組號是負的或者比pattern中定義的組號大，那么將拋出IndexError異常。如果pattern沒有匹配到，但 是group匹配到了，那么group的值也為None。如果一個pattern可以匹配多個，那么組對應的是樣式匹配的最后一個。另外，子組是根據(jù)括號 從左向右來進行區(qū)分的。

>>> m=re.match(“(\w+) (\w+)”,”abcd efgh, chaj”)

>>> m.group()            # 匹配全部

‘a(chǎn)bcd efgh’

>>> m.group(1)     # 第一個括號的子組.

‘a(chǎn)bcd’

>>> m.group(2)

‘efgh’

>>> m.group(1,2)           # 多個參數(shù)返回一個元組

(‘a(chǎn)bcd’, ‘efgh’)

>>> m=re.match(“(?P<first_name>\w+) (?P<last_name>\w+)”,”sam lee”)
>>> m.group(“first_name”)  #使用group獲取含有name的子組
‘sam’
>>> m.group(“l(fā)ast_name”)
‘lee’

下面把括號去掉

>>> m=re.match(“\w+ \w+”,”abcd efgh, chaj”)

>>> m.group()

‘a(chǎn)bcd efgh’

>>> m.group(1)

Traceback (most recent call last):

File “<pyshell#32>”, line 1, in <module>

m.group(1)

IndexError: no such group

If a group matches multiple times, only the last match is accessible:

如果一個組匹配多個，那么僅僅返回匹配的最后一個的。

>>> m=re.match(r”(..)+”,”a1b2c3″)

>>> m.group(1)

‘c3’

>>> m.group()

‘a(chǎn)1b2c3’

Group的默認值為0，返回正則表達式pattern匹配到的字符串

>>> s=”afkak1aafal12345adadsfa”

>>> pattern=r”(\d)\w+(\d{2})\w”

>>> m=re.match(pattern,s)

>>> print m

None

>>> m=re.search(pattern,s)

>>> m

<_sre.SRE_Match object at 0x00C2FDA0>

>>> m.group()

‘1aafal12345a’

>>> m.group(1)

‘1’

>>> m.group(2)

’45’

>>> m.group(1,2,0)

(‘1′, ’45’, ‘1aafal12345a’)

2。groups([default])

返回一個包含所有子組的元組。Default是用來設置沒有匹配到組的默認值的。Default默認是"None”,

>>> m=re.match(“(\d+)\.(\d+)”,”23.123″)

>>> m.groups()

(’23’, ‘123’)

>>> m=re.match(“(\d+)\.?(\d+)?”,”24″) #這里的第二個\d沒有匹配到，使用默認值”None”

>>> m.groups()

(’24’, None)

>>> m.groups(“0”)

(’24’, ‘0’)

3.groupdict([default])

返回匹配到的所有命名子組的字典。Key是name值，value是匹配到的值。參數(shù)default是沒有匹配到的子組的默認值。這里與groups()方法的參數(shù)是一樣的。默認值為None

>>> m=re.match(“(\w+) (\w+)”,”hello world”)

>>> m.groupdict()

{}

>>> m=re.match(“(?P<first>\w+) (?P<secode>\w+)”,”hello world”)

>>> m.groupdict()

{‘secode’: ‘world’, ‘first’: ‘hello’}

通過上例可以看出，groupdict()對沒有name的子組不起作用

正則表達式對象

re.search(string[, pos[, endpos]])

掃描字符串string，查找與正則表達式匹配的位置。如果找到一個匹配就返回一個MatchObject對象(并不會匹配所有的)。如果沒有找到那么返回None。

第二個參數(shù)表示從字符串的那個位置開始，默認是0

第三個參數(shù)endpos限定字符串最遠被查找到哪里。默認值就是字符串的長度。.

>>> m=re.search(“abcd”, ‘1abcd2abcd’)
>>> m.group()  #找到即返回一個match object，然后根據(jù)該對象的方法，查找匹配到的結(jié)果。
‘a(chǎn)bcd’
>>> m.start()
1
>>> m.end()
5

>>> re.findall(“abcd”,”1abcd2abcd”)
[‘a(chǎn)bcd’, ‘a(chǎn)bcd’]

re.split(pattern, string[, maxsplit=0, flags=0])

用pattern來拆分string。如果pattern有含有括號，那么在pattern中所有的組也會返回。

>>> re.split(“\W+”,”words,words,works”,1)

[‘words’, ‘words,works’]

>>> re.split(“[a-z]”,”0A3b9z”,re.IGNORECASE)

[‘0A3’, ‘9’, ”]

>>> re.split(“[a-z]+”,”0A3b9z”,re.IGNORECASE)

[‘0A3’, ‘9’, ”]

>>> re.split(“[a-zA-Z]+”,”0A3b9z”)

[‘0’, ‘3’, ‘9’, ”]

>>> re.split(‘[a-f]+’, ‘0a3B9’, re.IGNORECASE)#re.IGNORECASE用來忽略pattern中的大小寫。

[‘0’, ‘3B9’]

如果在split的時候捕獲了組，并且匹配字符串的開始，那么返回的結(jié)果將會以一個空串開始。

>>> re.split(‘(\W+)’, ‘…words, words…’)

[”, ‘…’, ‘words’, ‘, ‘, ‘words’, ‘…’, ”]

>>> re.split(‘(\W+)’, ‘words, words…’)

[‘words’, ‘, ‘, ‘words’, ‘…’, ”]

re.findall(pattern, string[, flags])

以list的形式返回string中所有與pattern匹配的不重疊的字符串。String從左向右掃描，匹配的返回結(jié)果也是以這個順序。

Return all non-overlapping matches of pattern in string, as a list of strings. The string is scanned left-to-right, and matches are returned in the order found. If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result unless they touch the beginning of another match.

>>> re.findall(‘(\W+)’, ‘words, words…’)

[‘, ‘, ‘…’]

>>> re.findall(‘(\W+)d’, ‘words, words…d’)

[‘…’]

>>> re.findall(‘(\W+)d’, ‘…dwords, words…d’)

[‘…’, ‘…’]

re.finditer(pattern, string[, flags])

與findall類似，只不過是返回list，而是返回了一個疊代器

我們來看一個sub和subn的例子

>>> re.sub(“\d”,”abc1def2hijk”,”RE”)

‘RE’

>>> x=re.sub(“\d”,”abc1def2hijk”,”RE”)

>>> x

‘RE’

>>> re.sub(“\d”,”RE”,”abc1def2hijk”,)

‘a(chǎn)bcREdefREhijk’

>>> re.subn(“\d”,”RE”,”abc1def2hijk”,)

(‘a(chǎn)bcREdefREhijk’, 2)

通過例子我們可以看出sub和subn的差別：sub返回替換后的字符串，而subn返回由替換后的字符串以及替換的個數(shù)組成的元組。

re.sub(pattern, repl, string[, count, flags])

用repl替換字符串string中的pattern。如果pattern沒有匹配到，那么返回的字符串沒有變化]。Repl可以是一個字符串，也可以是 一個function。如果是字符串，如果repl是個方法/函數(shù)。對于所有的pattern匹配到。他都回調(diào)用這個方法/函數(shù)。這個函數(shù)和方法使用單個 match object作為參數(shù)，然后返回替換后的字符串。下面是官網(wǎng)提供的例子:數(shù)據(jù)分析培訓