1. 正則表達(dá)式基礎(chǔ)1.1. 簡單介紹正則表達(dá)式并不是Python的一部分。正則表達(dá)式是用于處 理字符串的強(qiáng)大工具，擁有自己獨(dú)特的語法以及一個(gè)獨(dú)立的處理引擎，效率上可能不如str自帶的方法，但功能十分強(qiáng)大。得益于這一點(diǎn)，在提供了正則表達(dá)式的 語言里，正則表達(dá)式的語法都是一樣的，區(qū)別只在于不同的編程語言實(shí)現(xiàn)支持的語法數(shù)量不同；但不用擔(dān)心，不被支持的語法通常是不常用的部分。如果已經(jīng)在其他 語言里使用過正則表達(dá)式，只需要簡單看一看就可以上手了。 下圖展示了使用正則表達(dá)式進(jìn)行匹配的流程： 正則表達(dá)式的大致匹配過程是：依次拿出表達(dá)式和文本中的字符比較，如果每一個(gè)字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。如果表達(dá)式中有量詞或邊界，這個(gè)過程會稍微有一些不同，但也是很好理解的，看下圖中的示例以及自己多使用幾次就能明白。 下圖列出了Python支持的正則表達(dá)式元字符和語法： 1.2. 數(shù)量詞的貪婪模式與非貪婪模式正 則表達(dá)式通常用于在文本中查找匹配的字符串。Python里數(shù)量詞默認(rèn)是貪婪的（在少數(shù)語言里也可能是默認(rèn)非貪婪），總是嘗試匹配盡可能多的字符；非貪婪 的則相反，總是嘗試匹配盡可能少的字符。例如：正則表達(dá)式"ab*"如果用于查找"abbbc"，將找到"abbb"。而如果使用非貪婪的數(shù)量 詞"ab*?"，將找到"a"。 1.3. 反斜杠的困擾與大多數(shù)編程語言相同，正則表達(dá)式里使用"\"作為轉(zhuǎn)義 字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符"\"，那么使用編程語言表示的正則表達(dá)式里將需要4個(gè)反斜杠"\\\\"：前兩個(gè)和后兩個(gè)分 別用于在編程語言里轉(zhuǎn)義成反斜杠，轉(zhuǎn)換成兩個(gè)反斜杠后再在正則表達(dá)式里轉(zhuǎn)義成一個(gè)反斜杠。Python里的原生字符串很好地解決了這個(gè)問題，這個(gè)例子中的 正則表達(dá)式可以使用r"\\"表示。同樣，匹配一個(gè)數(shù)字的"\\d"可以寫成r"\d"。有了原生字符串，你再也不用擔(dān)心是不是漏寫了反斜杠，寫出來的表 達(dá)式也更直觀。 1.4. 匹配模式正則表達(dá)式提供了一些可用的匹配模式，比如忽略大小寫、多行匹配等，這部分內(nèi)容將在Pattern類的工廠方法re.compile(pattern[, flags])中一起介紹。 2. re模塊2.1. 開始使用rePython通過re模塊提供對正則表達(dá)式的支持。使用re的一般步驟是先將正則表達(dá)式的字符串形式編譯為Pattern實(shí)例，然后使用Pattern實(shí)例處理文本并獲得匹配結(jié)果（一個(gè)Match實(shí)例），最后使用Match實(shí)例獲得信息，進(jìn)行其他的操作。 re.compile(strPattern[, flag]): 這個(gè)方法是Pattern類的工廠方法，用于將字符串形式的正則表達(dá)式編譯為Pattern對象。
第二個(gè)參數(shù)flag是匹配模式，取值可以使用按位或運(yùn)算符'|'表示同時(shí)生效，比如re.I |
re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I |
re.M)與re.compile('(?im)pattern')是等價(jià)的。
re提供了眾多模塊方法用于完成正則表達(dá)式的功能。這些方法可以使用Pattern實(shí)例的相應(yīng)方法替代，唯一的好處是少寫一行 re.compile()代碼，但同時(shí)也無法復(fù)用編譯后的Pattern對象。這些方法將在Pattern類的實(shí)例方法部分一起介紹。如上面這個(gè)例子可以 簡寫為： re模塊還提供了一個(gè)方法escape(string)，用于將string中的正則表達(dá)式元字符如*/+/?等之前加上轉(zhuǎn)義符再返回，在需要大量匹配元字符時(shí)有那么一點(diǎn)用。 2.2. MatchMatch對象是一次匹配的結(jié)果，包含了很多關(guān)于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。 屬性：
方法：
2.3. PatternPattern對象是一個(gè)編譯好的正則表達(dá)式，通過Pattern提供的一系列方法可以對文本進(jìn)行匹配查找。 Pattern不能直接實(shí)例化，必須使用re.compile()進(jìn)行構(gòu)造。 Pattern提供了幾個(gè)可讀屬性用于獲取表達(dá)式的相關(guān)信息：
實(shí)例方法[ | re模塊方法]：
以上就是Python對于正則表達(dá)式的支持。熟練掌握正則表達(dá)式是每一個(gè)程序員必須具備的技能，這年頭沒有不與字符串打交道的程序了。筆者也處于初級階段，與君共勉，^_^ 另外，圖中的特殊構(gòu)造部分沒有舉出例子，用到這些的正則表達(dá)式是具有一定難度的。有興趣可以思考一下，如何匹配不是以abc開頭的單詞，^_^ 初學(xué)Python，對Python的文字處理能力有很深的印象，除了str對象自帶的一些方法外，就是正則表達(dá)式這個(gè)強(qiáng)大的模塊了。但是對 于初學(xué)者來說，要用好這個(gè)功能還是有點(diǎn)難度，我花了好長時(shí)間才摸出了點(diǎn)門道。由于我記性不好，很容易就忘事，所以還是寫下來比較好一些，同時(shí)也可以加深印 象，整理思路。 由于我是初學(xué)，所以肯定會有些錯(cuò)誤，還望高手不吝賜教，指出我的錯(cuò)誤。 1 Python正則式的基本用法 Python的正則表達(dá)式的模塊是 ‘re’,它的基本語法規(guī)則就是指定一個(gè)字符序列，比如你要在一個(gè)字符串s=’123abc456’ 中查找字符串 ’abc’,只要這樣寫： >>> imp >>> s='123abc456eabc789' >>> re.findall(r’abc’,s) 結(jié)果就是： ['abc', 'abc'] 這里用到的函數(shù) ”findall(rule , target [,flag] )” 是個(gè)比較直觀的函數(shù)，就是在目標(biāo)字符串中查找符合規(guī)則的字符串。第一個(gè)參數(shù)是規(guī)則，第二個(gè)參數(shù)是目標(biāo)字符串，后面還可以跟一個(gè)規(guī)則選項(xiàng)（選項(xiàng)功能將在 compile函數(shù)的說明中詳細(xì)說明）。返回結(jié)果結(jié)果是一個(gè)列表，中間存放的是符合規(guī)則的字符串。如果沒有符合規(guī)則的字符串被找到，就返回一個(gè)空列表。 為什么要用r’ ..‘字符串（raw字符串）？ 由于正則式的規(guī)則也是由一個(gè)字符串定義的，而在正則式中大量使用轉(zhuǎn)義字符’\’，如果不用raw字符串，則在需要寫一個(gè)’\’的地方，你必須得寫成’ \\’,那么在要從目標(biāo)字符串中匹配一個(gè)’\’的時(shí)候，你就得寫上4個(gè)’\’成為’\\\\’！這當(dāng)然很麻煩，也不直觀，所以一般都使用r’’來定義規(guī)則 字符串。當(dāng)然，某些情況下，可能不用raw字符串比較好。 以上是個(gè)最簡單的例子。當(dāng)然實(shí)際中這么簡單的用法幾乎沒有意義。為了實(shí)現(xiàn)復(fù)雜的規(guī)則查找，re規(guī)定了若干語法規(guī)則。它們分為這么幾類： 功能字符 ： ‘.’ ‘*’ ‘+’ ‘|’ ‘?’ ‘^’ ‘$’ ‘\’ 等，它們有特殊的功能含義。特別是’\’字符，它是轉(zhuǎn)義引導(dǎo)符號，跟在它后面的字符一般有特殊的含義。 規(guī)則分界符： ‘[‘ ‘]’ ‘（’ ‘）’ ‘{‘ ‘}’ 等，也就是幾種括號了。 預(yù)定義轉(zhuǎn)義字符集： “\d” “\w” “\s” 等等，它們是以字符’\’開頭，后面接一個(gè)特定字符的形式，用來指示一個(gè)預(yù)定義好的含義。 其它特殊功能字符： ’#’ ‘!’ ‘:’ ‘-‘等，它們只在特定的情況下表示特殊的含義，比如(?# …)就表示一個(gè)注釋，里面的內(nèi)容會被忽略。 下面來一個(gè)一個(gè)的說明這些規(guī)則的含義，不過說明的順序并不是按照上面的順序來的，而是我認(rèn)為由淺入深，由基本到復(fù)雜的順序來編排的。同時(shí)為了直觀， 在說明的過程中盡量多舉些例子以方便理解。 1.1 基本規(guī)則 ‘[‘ ‘]’ 字符集合設(shè)定符 首先說明一下字符集合設(shè)定的方法。由一對方括號括起來的字符，表明一個(gè)字符集合，能夠匹配包含在其中的任意一個(gè)字符。比如 [abc123]，表明字符’a’ ‘b’ ‘c’ ‘1’ ‘2’ ‘3’都符合它的要求。可以被匹配。 在’[‘ ‘]’中還可以通過 ’-‘ 減號來指定一個(gè)字符集合的范圍，比如可以用[a-zA-Z]來指定所以英文字母的大小寫，因?yàn)橛⑽淖帜甘前凑諒男〉酱蟮捻樞騺砼诺摹Ｄ悴豢梢园汛笮〉捻樞? 顛倒了，比如寫成[z-a]就不對了。 如果在’[‘ ‘]’里面的開頭寫一個(gè) ‘^’ 號，則表示取非，即在括號里的字符都不匹配。如[^a-zA-Z]表明不匹配所有英文字母。但是如果 ‘^’不在開頭，則它就不再是表示取非，而表示其本身，如[a-z^A-Z]表明匹配所有的英文字母和字符’^’。 ‘|’ 或規(guī)則 將兩個(gè)規(guī)則并列起來，以‘|’連接，表示只要滿足其中之一就可以匹配。比如 [a-zA-Z]|[0-9] 表示滿足數(shù)字或字母就可以匹配，這個(gè)規(guī)則等價(jià)于 [a-zA-Z0-9] 注意：關(guān)于’|’要注意兩點(diǎn)： 第一， 它在’[‘ ‘]’之中不再表示或，而表示他本身的字符。如果要在’[‘ ‘]’外面表示一個(gè)’|’字符，必須用反斜杠引導(dǎo)，即 ’\|’ ; 第二， 它的有效范圍是它兩邊的整條規(guī)則，比如‘dog|cat’匹配的是‘dog’和’cat’，而不是’g’和’c’。如果想限定它的有效范圍，必需使用一個(gè) 無捕獲組 ‘(?: )’包起來。比如要匹配 ‘I have a dog’或’I have a cat’，需要寫成r’I have a (?:dog|cat)’ ，而不能寫成 r’I have a dog|cat’ 例 >>> s = ‘I have a dog , I have a cat’ >>> re.findall( r’I have a (?:dog|cat)’ , s ) ['I have a dog', 'I have a cat'] #正如我們所要的 下面再看看不用無捕獲組會是什么后果： >>> re.findall( r’I have a dog|cat’ , s ) ['I have a dog', 'cat'] #它將’I have a dog’ 和’cat’當(dāng)成兩個(gè)規(guī)則了 至于無捕獲組的使用，后面將仔細(xì)說明。這里先跳過。 ‘.’ 匹配所有字符 匹配除換行符’\n’外的所有字符。如果使用了’S’選項(xiàng)，匹配包括’\n’的所有字符。 例： >>> s=’123 \n456 \n789’ >>> findall(r‘.+’,s) ['123', '456', '789'] >>> re.findall(r‘.+’ , s , re.S) ['123\n456\n789'] ‘^’和’$’ 匹配字符串開頭和結(jié)尾 注意’^’不能在‘[ ]’中，否則含意就發(fā)生變化，具體請看上面的’[‘ ‘]’說明。 在多行模式下，它們可以匹配每一行的行首和行尾。具體請看后面compile函數(shù)說明的’M’選項(xiàng)部分 ‘\d’ 匹配數(shù)字 這是一個(gè)以’\’開頭的轉(zhuǎn)義字符，’\d’表示匹配一個(gè)數(shù)字，即等價(jià)于[0-9] ‘\D’ 匹配非數(shù)字 這個(gè)是上面的反集，即匹配一個(gè)非數(shù)字的字符，等價(jià)于[^0-9]。注意它們的大小寫。下面我們還將看到Python的正則規(guī)則中很多轉(zhuǎn)義字符的大小 寫形式，代表互補(bǔ)的關(guān)系。這樣很好記。 ‘\w’ 匹配字母和數(shù)字 匹配所有的英文字母和數(shù)字，即等價(jià)于[a-zA-Z0-9]。 ‘\W’ 匹配非英文字母和數(shù)字 即’\w’的補(bǔ)集，等價(jià)于[^a-zA-Z0-9]。 ‘\s’ 匹配間隔符 即匹配空格符、制表符、回車符等表示分隔意義的字符，它等價(jià)于[ \t\r\n\f\v]。（注意最前面有個(gè)空格) ‘\S’ 匹配非間隔符 即間隔符的補(bǔ)集，等價(jià)于[^ \t\r\n\f\v] ‘\A’ 匹配字符串開頭 匹配字符串的開頭。它和’^’的區(qū)別是，’\A’只匹配整個(gè)字符串的開頭，即使在’M’模式下，它也不會匹配其它行的很首。 ‘\Z’ 匹配字符串結(jié)尾 匹配字符串的結(jié)尾。它和’$’的區(qū)別是，’\Z’只匹配整個(gè)字符串的結(jié)尾，即使在’M’模式下，它也不會匹配其它各行的行尾。 例： >>> s= '12 34\n56 78\n90' >>> re.findall( r'^\d+' , s , re.M ) #匹配位于行首的數(shù)字 ['12', '56', '90'] >>> re.findall( r’\A\d+’, s , re.M ) #匹配位于字符串開頭的數(shù)字 ['12'] >>> re.findall( r'\d+$' , s , re.M ) #匹配位于行尾的數(shù)字 ['34', '78', '90'] >>> re.findall( r’\d+\Z’ , s , re.M ) #匹配位于字符串尾的數(shù)字 ['90'] ‘\b’ 匹配單詞邊界 它匹配一個(gè)單詞的邊界，比如空格等，不過它是一個(gè)‘0’長度字符，它匹配完的字符串不會包括那個(gè)分界的字符。而如果用’\s’來匹配的話，則匹配出 的字符串中會包含那個(gè)分界符。 例： >>> s = 'abc abcde bc bcd' >>> re.findall( r’\bbc\b’ , s ) #匹配一個(gè)單獨(dú)的單詞 ‘bc’ ，而當(dāng)它是其它單詞的一部分的時(shí)候不匹配 ['bc'] ＃只找到了那個(gè)單獨(dú)的’bc’ >>> re.findall( r’\sbc\s’ , s ) ＃匹配一個(gè)單獨(dú)的單詞 ‘bc’ [' bc '] #只找到那個(gè)單獨(dú)的’bc’，不過注意前后有兩個(gè)空格，可能有點(diǎn)看不清楚 ‘\B’ 匹配非邊界 和’\b’相反，它只匹配非邊界的字符。它同樣是個(gè)0長度字符。 接上例： >>> re.findall( r’\Bbc\w+’ , s ) #匹配包含’bc’但不以’bc’為開頭的單詞 ['bcde'] #成功匹配了’abcde’中的’bcde’，而沒有匹配’bcd’ ‘(?:)’ 無捕獲組 當(dāng)你要將一部分規(guī)則作為一個(gè)整體對它進(jìn)行某些操作，比如指定其重復(fù)次數(shù)時(shí)，你需要將這部分規(guī)則用’(?:’ ‘)’把它包圍起來，而不能僅僅只用一對括號，那樣將得到絕對出人意料的結(jié)果。 例：匹配字符串中重復(fù)的’ab’ >>> s=’ababab abbabb aabaab’ >>> re.findall( r’\b(?:ab)+\b’ , s ) ['ababab'] 如果僅使用一對括號，看看會是什么結(jié)果： >>> re.findall( r’\b(ab)+\b’ , s ) ['ab'] 這是因?yàn)槿绻皇褂靡粚ㄌ?，那么這就成為了一個(gè)組(group)。組的使用比較復(fù)雜，將在后面詳細(xì)講解。 ‘(?# )’ 注釋 Python允許你在正則表達(dá)式中寫入注釋，在’(?#’ ‘)’之間的內(nèi)容將被忽略。 (?iLmsux) 編譯選項(xiàng)指定 Python的正則式可以指定一些選項(xiàng)，這個(gè)選項(xiàng)可以寫在findall或compile的參數(shù)中，也可以寫在正則式里，成為正則式的一部分。這在 某些情況下會便利一些。具體的選項(xiàng)含義請看后面的compile函數(shù)的說明。 此處編譯選項(xiàng)’i’ 等價(jià)于IGNORECASE ，L 等價(jià)于 LOCAL ，m 等價(jià)于 MULTILINE ，s 等價(jià)于 DOTALL ，u 等價(jià)于 UNICODE ， x 等價(jià)于 VERBOSE 。 請注意它們的大小寫。在使用時(shí)可以只指定一部分，比如只指定忽略大小寫，可寫為 ‘(?i)’，要同時(shí)忽略大小寫并使用多行模式，可以寫為 ‘(?im)’。 另外要注意選項(xiàng)的有效范圍是整條規(guī)則，即寫在規(guī)則的任何地方，選項(xiàng)都會對全部整條正則式有效。 1.2 重復(fù) 正則式需要匹配不定長的字符串，那就一定需要表示重復(fù)的指示符。Python的正則式表示重復(fù)的功能很豐富靈活。重復(fù)規(guī)則的一般的形式是在一條字符 規(guī)則后面緊跟一個(gè)表示重復(fù)次數(shù)的規(guī)則，已表明需要重復(fù)前面的規(guī)則一定的次數(shù)。重復(fù)規(guī)則有： ‘*’ 0或多次匹配 表示匹配前面的規(guī)則0次或多次。 ‘+’ 1次或多次匹配 表示匹配前面的規(guī)則至少1次，可以多次匹配 例：匹配以下字符串中的前一部分是字母，后一部分是數(shù)字或沒有的變量名字 >>> s = ‘ aaa bbb111 cc22cc 33dd ‘ >>> re.findall( r’\b[a-z]+\d*\b’ , s ) #必須至少1個(gè)字母開頭，以連續(xù)數(shù)字結(jié)尾或沒有數(shù)字 ['aaa', 'bbb111'] 注意上例中規(guī)則前后加了表示單詞邊界的’\b’指示符，如果不加的話結(jié)果就會變成： >>> re.findall( r’[a-z]+\d*’ , s ) ['aaa', 'bbb111', 'cc22', 'cc', 'dd'] #把單詞給拆開了 大多數(shù)情況下這不是我們期望的結(jié)果。 ‘?’ 0或1次匹配 只匹配前面的規(guī)則0次或1次。 例，匹配一個(gè)數(shù)字，這個(gè)數(shù)字可以是一個(gè)整數(shù)，也可以是一個(gè)科學(xué)計(jì)數(shù)法記錄的數(shù)字，比如123和10e3都是正確的數(shù)字。 >>> s = ‘ 123 10e3 20e4e4 30ee5 ‘ >>> re.findall( r’ \b\d+[eE]?\d*\b’ , s ) ['123', '10e3'] 它正確匹配了123和10e3,正是我們期望的。注意前后的’\b’的使用，否則將得到不期望的結(jié)果。 |
|
|
