Spider 之深入解析 Python 正则表达式

向右看齐 2022-08-20 06:22 145阅读 0赞

**一、 正则表达式基础**

**1.1.概念介绍**

正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。

其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。

它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。

下图展示了使用正则表达式进行匹配的流程：

![20130515112533987][]

正则表达式的大致匹配过程是：

1.依次拿出表达式和文本中的字符比较，

2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。

3.如果表达式中有量词或边界，这个过程会稍微有一些不同。  
  
下图列出了Python支持的正则表达式元字符和语法：

![20130515113723855][]

### 1.2. 数量词的贪婪模式与非贪婪模式 ###

正则表达式通常用于在文本中查找匹配的字符串。

贪婪模式，总是尝试匹配尽可能多的字符；

非贪婪模式则相反，总是尝试匹配尽可能少的字符。

Python里数量词默认是贪婪的。

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"。

### 1.3. 反斜杠的问题    ###

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"\\\\\\\\"：

第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠，

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用来匹配反斜杠\\。

这样显然是非常麻烦的。

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。

同样，匹配一个数字的"\\\\d"可以写成r"\\d"。

有了原生字符串，妈妈再也不用担心我的反斜杠问题~

## 二、 介绍re模块    ##

## 2.1. **Compile** ##

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是：

Step1：先将正则表达式的字符串形式编译为Pattern实例。

Step2：然后使用Pattern实例处理文本并获得匹配结果（一个Match实例）。

Step3：最后使用Match实例获得信息，进行其他的操作。

我们新建一个re01.py来试验一下re的应用：

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# -\*- coding: utf-8 -\*-
2.  \#一个简单的re实例，匹配字符串中的hello字符串
3.  
4.  \#导入re模块
5.  import re
6.  
7.  \# 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”
8.  pattern = re.compile(r'hello')
9.  
10. \# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
11. match1 = pattern.match('hello world!')
12. match2 = pattern.match('helloo world!')
13. match3 = pattern.match('helllo world!')
14. 
15. \#如果match1匹配成功
16. if match1:
17. \# 使用Match获得分组信息
18. print match1.group()
19. else:
20. print 'match1匹配失败！'
21. 
22. 
23. \#如果match2匹配成功
24. if match2:
25. \# 使用Match获得分组信息
26. print match2.group()
27. else:
28. print 'match2匹配失败！'
29. 
30. 
31. \#如果match3匹配成功
32. if match3:
33. \# 使用Match获得分组信息
34. print match3.group()
35. else:
36. print 'match3匹配失败！'

可以看到控制台输出了匹配的三个结果：

![20130515120812343][]

下面来具体看看代码中的关键方法。

★ re.compile(strPattern\[, flag\]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，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)与re.compile('(?im)pattern')是等价的。

可选值有：

*   re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
 *  re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
 *   re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为
 *   re.L(全拼：LOCALE): 使预定字符类 \\w \\W \\b \\B \\s \\S 取决于当前区域设定
 *   re.U(全拼：UNICODE): 使预定字符类 \\w \\W \\b \\B \\s \\S \\d \\D 取决于unicode定义的字符属性
 *   re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

以下两个正则表达式是等价的：

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# -\*- coding: utf-8 -\*-
2.  \#两个等价的re匹配,匹配一个小数
3.  import re
4.  
5.  a = re.compile(r"""\\d + \# the integral part
6.   \\. \# the decimal point
7.   \\d \* \# some fractional digits""", re.X)
8.  
9.  b = re.compile(r"\\d+\\.\\d\*")
10. 
11. match11 = a.match('3.1415')
12. match12 = a.match('33')
13. match21 = b.match('3.1415')
14. match22 = b.match('33')
15. 
16. if match11:
17. \# 使用Match获得分组信息
18. print match11.group()
19. else:
20. print u'match11不是小数'
21. 
22. if match12:
23. \# 使用Match获得分组信息
24. print match12.group()
25. else:
26. print u'match12不是小数'
27. 
28. if match21:
29. \# 使用Match获得分组信息
30. print match21.group()
31. else:
32. print u'match21不是小数'
33. 
34. if match22:
35. \# 使用Match获得分组信息
36. print match22.group()
37. else:
38. print u'match22不是小数'

re提供了众多模块方法用于完成正则表达式的功能。

这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，

但同时也无法复用编译后的Pattern对象。

这些方法将在Pattern类的实例方法部分一起介绍。

如一开始的hello实例可以简写为：

**\[html\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# -\*- coding: utf-8 -\*-
2.  \#一个简单的re实例，匹配字符串中的hello字符串
3.  import re
4.  
5.  m = re.match(r'hello', 'hello world!')
6.  print m.group()

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如\*/+/?等之前加上转义符再返回

**2.2. Match**

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

1.  string: 匹配时使用的文本。 
2.  re: 匹配时使用的Pattern对象。
3.  pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4.  endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5.  lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6.  lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

1.  group(\[group1, …\])：  
    获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2.  groups(\[default\])：  
    以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。 
3.  groupdict(\[default\])：  
    返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。 
4.  start(\[group\])：  
    返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。 
5.  end(\[group\])：  
    返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。 
6.  span(\[group\])：  
    返回(start(group), end(group))。 
7.  expand(template)：  
    将匹配到的分组代入template中然后返回。template中可以使用\\id或\\g<id>、\\g<name>引用分组，但不能使用编号0。\\id与\\g<id>是等价的；但\\10将被认为是第10个分组，如果你想表达\\1之后是字符'0'，只能使用\\g<1>0。

下面来用一个py实例输出所有的内容加深理解：

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# -\*- coding: utf-8 -\*-
2.  \#一个简单的match实例
3.  
4.  import re
5.  \# 匹配如下内容：单词+空格+单词+任意字符
6.  m = re.match(r'(\\w+) (\\w+)(?P<sign>.\*)', 'hello world!')
7.  
8.  print "m.string:", m.string
9.  print "m.re:", m.re
10. print "m.pos:", m.pos
11. print "m.endpos:", m.endpos
12. print "m.lastindex:", m.lastindex
13. print "m.lastgroup:", m.lastgroup
14. 
15. print "m.group():", m.group()
16. print "m.group(1,2):", m.group(1, 2)
17. print "m.groups():", m.groups()
18. print "m.groupdict():", m.groupdict()
19. print "m.start(2):", m.start(2)
20. print "m.end(2):", m.end(2)
21. print "m.span(2):", m.span(2)
22. print r"m.expand(r'\\g<2> \\g<1>\\g<3>'):", m.expand(r'\\2 \\1\\3')
23. 
24. \#\#\# output \#\#\#
25. \# m.string: hello world!
26. \# m.re: <\_sre.SRE\_Pattern object at 0x016E1A38>
27. \# m.pos: 0
28. \# m.endpos: 12
29. \# m.lastindex: 3
30. \# m.lastgroup: sign
31. \# m.group(1,2): ('hello', 'world')
32. \# m.groups(): ('hello', 'world', '!')
33. \# m.groupdict(): \{'sign': '!'\}
34. \# m.start(2): 6
35. \# m.end(2): 11
36. \# m.span(2): (6, 11)
37. \# m.expand(r'\\2 \\1\\3'): world hello!

### 2.3. Pattern ###

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造，也就是re.compile()返回的对象。

Pattern提供了几个可读属性用于获取表达式的相关信息：

1.  pattern: 编译时用的表达式字符串。
2.  flags: 编译时用的匹配模式。数字形式。
3.  groups: 表达式中分组的数量。 
4.  groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

可以用下面这个例子查看pattern的属性：

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# -\*- coding: utf-8 -\*-
2.  \#一个简单的pattern实例
3.  
4.  import re
5.  p = re.compile(r'(\\w+) (\\w+)(?P<sign>.\*)', re.DOTALL)
6.  
7.  print "p.pattern:", p.pattern
8.  print "p.flags:", p.flags
9.  print "p.groups:", p.groups
10. print "p.groupindex:", p.groupindex
11. 
12. \#\#\# output \#\#\#
13. \# p.pattern: (\\w+) (\\w+)(?P<sign>.\*)
14. \# p.flags: 16
15. \# p.groups: 3
16. \# p.groupindex: \{'sign': 3\}

下面重点介绍一下pattern的实例方法及其使用。

**1.match**

match(string\[, pos\[, endpos\]\]) | re.match(pattern, string\[, flags\])：

这个方法将从string的pos下标处起尝试匹配pattern；

如果pattern结束时仍可匹配，则返回一个Match对象；

如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。

pos和endpos的默认值分别为0和len(string)；

re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

注意：这个方法并不是完全匹配。

当pattern结束时若string还有剩余字符，仍然视为成功。

想要完全匹配，可以在表达式末尾加上边界匹配符'$'。

下面来看一个Match的简单案例：

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# encoding: UTF-8
2.  import re
3.  
4.  \# 将正则表达式编译成Pattern对象
5.  pattern = re.compile(r'hello')
6.  
7.  \# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
8.  match = pattern.match('hello world!')
9.  
10. if match:
11. \# 使用Match获得分组信息
12. print match.group()
13. 
14. \#\#\# 输出 \#\#\#
15. \# hello

**2.search**  
search(string\[, pos\[, endpos\]\]) | re.search(pattern, string\[, flags\]):   
这个方法用于查找字符串中可以匹配成功的子串。

从string的pos下标处起尝试匹配pattern，

如果pattern结束时仍可匹配，则返回一个Match对象；

若无法匹配，则将pos加1后重新尝试匹配；

直到pos=endpos时仍无法匹配则返回None。

pos和endpos的默认值分别为0和len(string))；

re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

那么它和match有什么区别呢？

match()函数只检测re是不是在string的开始位置匹配，

search()会扫描整个string查找匹配，

match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回none  
例如：  
print(re.match(‘super’, ‘superstition’).span())

会返回(0, 5)

print(re.match(‘super’, ‘insuperable’))

则返回None  
  
search()会扫描整个字符串并返回第一个成功的匹配  
例如：

print(re.search(‘super’, ‘superstition’).span())

返回(0, 5)  
print(re.search(‘super’, ‘insuperable’).span())

返回(2, 7)

看一个search的实例：

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# -\*- coding: utf-8 -\*-
2.  \#一个简单的search实例
3.  
4.  import re
5.  
6.  \# 将正则表达式编译成Pattern对象
7.  pattern = re.compile(r'world')
8.  
9.  \# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
10. \# 这个例子中使用match()无法成功匹配
11. match = pattern.search('hello world!')
12. 
13. if match:
14. \# 使用Match获得分组信息
15. print match.group()
16. 
17. \#\#\# 输出 \#\#\#
18. \# world

**3.split**

split(string\[, maxsplit\]) | re.split(pattern, string\[, maxsplit\]):  
按照能够匹配的子串将string分割后返回列表。

maxsplit用于指定最大分割次数，不指定将全部分割。

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  import re
2.  
3.  p = re.compile(r'\\d+')
4.  print p.split('one1two2three3four4')
5.  
6.  \#\#\# output \#\#\#
7.  \# \['one', 'two', 'three', 'four', ''\]

**4.findall**

findall(string\[, pos\[, endpos\]\]) | re.findall(pattern, string\[, flags\]):  
搜索string，以列表形式返回全部能匹配的子串。

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  import re
2.  
3.  p = re.compile(r'\\d+')
4.  print p.findall('one1two2three3four4')
5.  
6.  \#\#\# output \#\#\#
7.  \# \['1', '2', '3', '4'\]

**5.finditer**

finditer(string\[, pos\[, endpos\]\]) | re.finditer(pattern, string\[, flags\]):  
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

**\[html\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  import re
2.  
3.  p = re.compile(r'\\d+')
4.  for m in p.finditer('one1two2three3four4'):
5.  print m.group(),
6.  
7.  \#\#\# output \#\#\#
8.  \# 1 2 3 4

**6.sub**

sub(repl, string\[, count\]) | re.sub(pattern, repl, string\[, count\]):  
使用repl替换string中每一个匹配的子串后返回替换后的字符串。  
当repl是一个字符串时，可以使用\\id或\\g<id>、\\g<name>引用分组，但不能使用编号0。  
当repl是一个方法时，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。

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  import re
2.  
3.  p = re.compile(r'(\\w+) (\\w+)')
4.  s = 'i say, hello world!'
5.  
6.  print p.sub(r'\\2 \\1', s)
7.  
8.  def func(m):
9.  return m.group(1).title() + ' ' \+ m.group(2).title()
10. 
11. print p.sub(func, s)
12. 
13. \#\#\# output \#\#\#
14. \# say i, world hello!
15. \# I Say, Hello World!

**7.subn**

subn(repl, string\[, count\]) |re.sub(pattern, repl, string\[, count\]):  
返回 (sub(repl, string\[, count\]), 替换次数)。

**\[python\]** [ view plain][view plain] [ copy][view plain]  [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  import re
2.  
3.  p = re.compile(r'(\\w+) (\\w+)')
4.  s = 'i say, hello world!'
5.  
6.  print p.subn(r'\\2 \\1', s)
7.  
8.  def func(m):
9.  return m.group(1).title() + ' ' \+ m.group(2).title()
10. 
11. print p.subn(func, s)
12. 
13. \#\#\# output \#\#\#
14. \# ('say i, world hello!', 2)
15. \# ('I Say, Hello World!', 2)

至此，Python的正则表达式基本介绍就算是完成了^\_^

[20130515112533987]: /images/20220731/3deb20cd8f724501969fde3d83da9bd6.png
[20130515113723855]: /images/20220731/c416570f6c3b48149132d972ac08046f.png
[view plain]: http://blog.csdn.net/pleasecallmewhy/article/details/8929576#
[CODE]: https://code.csdn.net/assets/CODE_ico.png
[CODE_CODE]: https://code.csdn.net/snippets/266726
[ico_fork.svg]: https://code.csdn.net/assets/ico_fork.svg
[ico_fork.svg 1]: https://code.csdn.net/snippets/266726/fork
[20130515120812343]: /images/20220731/343d68cbff294965897f536b378a79da.png