re(正则表达式)模块

正则表达式匹配规则:

正则表达式在线测试网站

Python 的 re 模块:

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,只需加一个 r 前缀,示例：

r'chuanzhiboke\t\.\tpython'
re 模块的一般使用步骤如下：
使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象

通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象.

最后使用 Match 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

compile 函数:

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

# 将正则表达式编译成 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 方法：从起始位置开始查找,一次匹配
search 方法：从任何位置开始查找,一次匹配
findall 方法：全部匹配,返回列表
finditer 方法：全部匹配,返回迭代器
split 方法：分割字符串,返回列表
sub 方法：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：

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)
None

>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配,没有匹配
>>> print (m)
None

>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配,正好匹配
>>> print (m)                                         # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>

>>> m.group(0)   # 可省略 0
'12'
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)
在上面,当匹配成功时返回一个 Match 对象,其中：

group([group1, ...]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0)；

start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引）,参数默认值为 0；

end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1）,参数默认值为 0；

span([group]) 方法返回 (start(group), end(group)).

再看看一个例子：

---------------------
>>> import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # 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的索引
(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的子串的索引
(0, 5)

>>> m.group(2)  # 返回第二个分组匹配成功的子串
'World'

>>> m.span(2)   # 返回第二个分组匹配成功的子串
(6, 11)

>>> m.groups()  # 等价于 (m.group(1), m.group(2), ...)
('Hello', 'World')

>>> m.group(3)   # 不存在第三个分组
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.
-----------------
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)
----------------
再来看一个例子：

import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
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,默认值分别是 0 和 len (字符串长度).

findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表.
--------------------
例子：

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 (result2)
执行结果：

['123456', '789']
['1', '2']
再先看一个栗子：

# re_test.py

import re

#re模块提供一个方法叫compile模块,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partten.findall()方法就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.

例子：

---------------------------

import re
pattern = re.compile(r'\d+')

result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)

print (type(result_iter1))
print (type(result_iter2))

print 'result1...'
for m1 in result_iter1:   # m1 是 Match 对象
    print ('matching string: {}, position: {}'.format(m1.group(), m1.span()))

print 'result2...'
for m2 in result_iter2:
    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 用于指定最大分割次数,不指定将全部分割.

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个函数：

如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,
但不能使用编号 0；

如果 repl 是函数,这个方法应当只接受一个参数（Match 对象）,并返回一个字符串用于替换（返回的字符串中不能再引用分组）.

count 用于指定最多替换次数,不指定时全部替换.
-------------------------
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))        # 引用分组

def func(m):
    print(m)
    return 'hi' + ' ' + m.group(2) #group(0) 表示本身,group(1)表示hello,group(2) 表示后面的数字

print(p.sub(func, s))  #多次sub,每次sub的结果传递给func
print(p.sub(func, s, 1))         # 最多替换一次

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 = '你好,hello,世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print (result)
注意到,我们在正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串.

执行结果:

['你好', '世界']
注意：贪婪模式与非贪婪模式
贪婪模式：在整个表达式匹配成功的前提下,尽可能多的匹配 ( * )；
非贪婪模式：在整个表达式匹配成功的前提下,尽可能少的匹配 ( ? )；
Python里数量词默认是贪婪的.
示例一 ： 源字符串：abbbc
使用贪婪的数量词的正则表达式 ab* ,匹配结果： abbb.

* 决定了尽可能多匹配 b,所以a后面所有的 b 都出现了.

使用非贪婪的数量词的正则表达式ab*?,匹配结果： a.

即使前面有 *,但是 ? 决定了尽可能少匹配 b,所以没有 b.

示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc
使用贪婪的数量词的正则表达式：<div>.*</div>

匹配结果：<div>test1</div>bb<div>test2</div>

这里采用的是贪婪模式.在匹配到第一个"</div>"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>test1</div>bb<div>test2</div>"

使用非贪婪的数量词的正则表达式：<div>.*?</div>

匹配结果：<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"</div>"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>test1</div>".