Python正規表示式總結分享

2022-03-30 13:00:49

1. 正規表示式基礎

1.1. 簡單介紹

正規表示式並不是Python的一部分。正規表示式是用於處理字串的強大工具，擁有自己獨特的語法以及一個獨立的處理引擎，效率上可能不如str自帶的方法，但功能十分強大。得益於這一點，在提供了正規表示式的語言裡，正規表示式的語法都是一樣的，區別只在於不同的程式語言實現支援的語法數量不同；但不用擔心，不被支援的語法通常是不常用的部分。如果已經在其他語言裡使用過正規表示式，只需要簡單看一看就可以上手了。

下圖展示了使用正規表示式進行匹配的流程：

正規表示式的大致匹配過程是：依次拿出表示式和文字中的字元比較，如果每一個字元都能匹配，則匹配成功；一旦有匹配不成功的字元則匹配失敗。如果表示式中有量詞或邊界，這個過程會稍微有一些不同，但也是很好理解的，看下圖中的範例以及自己多使用幾次就能明白。

下圖列出了Python支援的正規表示式元字元和語法：

1.2. 數量詞的貪婪模式與非貪婪模式

正規表示式通常用於在文字中查詢匹配的字串。Python裡數量詞預設是貪婪的（在少數語言裡也可能是預設非貪婪），總是嘗試匹配儘可能多的字元；非貪婪的則相反，總是嘗試匹配儘可能少的字元。例如：正規表示式"ab*"如果用於查詢"abbbc"，將找到"abbb"。而如果使用非貪婪的數量詞"ab*?"，將找到"a"。

1.3. 反斜槓的困擾

與大多數程式語言相同，正規表示式裡使用""作為跳脫字元，這就可能造成反斜槓困擾。假如你需要匹配文字中的字元""，那麼使用程式語言表示的正規表示式裡將需要4個反斜槓"\\"：前兩個和後兩個分別用於在程式語言裡跳脫成反斜槓，轉換成兩個反斜槓後再在正規表示式裡跳脫成一個反斜槓。Python裡的原生字串很好地解決了這個問題，這個例子中的正規表示式可以使用r"\"表示。同樣，匹配一個數位的"\d"可以寫成r"d"。有了原生字串，你再也不用擔心是不是漏寫了反斜槓，寫出來的表示式也更直觀。

1.4. 匹配模式

正規表示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，這部分內容將在Pattern類的工廠方法re.compile(pattern[, flags])中一起介紹。

2. re模組

2.1. 開始使用re

Python通過re模組提供對正規表示式的支援。使用re的一般步驟是先將正規表示式的字串形式編譯為Pattern範例，然後使用Pattern範例處理文字並獲得匹配結果（一個Match範例），最後使用Match範例獲得資訊，進行其他的操作。

# encoding: UTF-8
import re
 
# 將正規表示式編譯成Pattern物件
pattern = re.compile(r'hello')
 
# 使用Pattern匹配文字，獲得匹配結果，無法匹配時將返回None
match = pattern.match('hello world!')
 
if match:
    # 使用Match獲得分組資訊
    print match.group()
 
### 輸出 ###
# hello

re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法，用於將字串形式的正規表示式編譯為Pattern物件。第二個引數flag是匹配模式，取值可以使用按位元或運運算元'|'表示同時生效，比如re.I | re.M。另外，你也可以在regex字串中指定模式，比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。

可選值有：

re.I(re.IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
M(MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
S(DOTALL): 點任意匹配模式，改變'.'的行為
L(LOCALE): 使預定字元類 w W b B s S 取決於當前區域設定
U(UNICODE): 使預定字元類 w W b B s S d D 取決於unicode定義的字元屬性
X(VERBOSE): 詳細模式。這個模式下正規表示式可以是多行，忽略空白字元，並可以加入註釋。

以下兩個正規表示式是等價的：

a = re.compile(r"""d +  # the integral part
                   .    # the decimal point
                   d *  # some fractional digits""", re.X)
b = re.compile(r"d+.d*")

re提供了眾多模組方法用於完成正規表示式的功能。這些方法可以使用Pattern範例的相應方法替代，唯一的好處是少寫一行re.compile()程式碼，但同時也無法複用編譯後的Pattern物件。這些方法將在Pattern類的實體方法部分一起介紹。

如上面這個例子可以簡寫為：

m = re.match(r'hello', 'hello world!')
print m.group()

re模組還提供了一個方法escape(string)，用於將string中的正規表示式元字元如*/+/?等之前加上跳脫符再返回，在需要大量匹配元字元時有那麼一點用。

2.2. Match

Match物件是一次匹配的結果，包含了很多關於此次匹配的資訊，可以使用Match提供的可讀屬性或方法來獲取這些資訊。

屬性：

string: 匹配時使用的文字。
re: 匹配時使用的Pattern物件。
pos: 文字中正規表示式開始搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
endpos: 文字中正規表示式結束搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
lastindex: 最後一個被捕獲的分組在文字中的索引。如果沒有被捕獲的分組，將為None。
lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。

方法：

group([group1, …]):
獲得一個或多個分組截獲的字串；指定多個引數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫引數時，返回group(0)；沒有截獲字串的組返回None；截獲了多次的組返回最後一次截獲的子串。
groups([default]):
以元組形式返回全部分組截獲的字串。相當於呼叫group(1,2,…last)。default表示沒有截獲字串的組以這個值替代，預設為None。
groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group預設值為0。
end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group預設值為0。
span([group]):
返回(start(group), end(group))。
expand(template):
將匹配到的分組代入template中然後返回。template中可以使用id或g<id>、g<name>參照分組，但不能使用編號0。id與g<id>是等價的；但10將被認為是第10個分組，如果你想表達1之後是字元'0'，只能使用g<1>0。

import re
m = re.match(r'(w+) (w+)(?P<sign>.*)', 'hello world!')
 
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
 
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'2 13'):", m.expand(r'2 13')
 
### output ###
# m.string: hello world!
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'2 13'): world hello!

2.3. Pattern

Pattern物件是一個編譯好的正規表示式，通過Pattern提供的一系列方法可以對文字進行匹配查詢。

Pattern不能直接範例化，必須使用re.compile()進行構造。

Pattern提供了幾個可讀屬性用於獲取表示式的相關資訊：

pattern: 編譯時用的表示式字串。
flags: 編譯時用的匹配模式。數位形式。
groups: 表示式中分組的數量。
groupindex: 以表示式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。

import re
p = re.compile(r'(w+) (w+)(?P<sign>.*)', re.DOTALL)
 
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex
 
### output ###
# p.pattern: (w+) (w+)(?P<sign>.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {'sign': 3}

實體方法[ | re模組方法]：

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

這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match物件；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
pos和endpos的預設值分別為0和len(string)；re.match()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。
注意：這個方法並不是完全匹配。當pattern結束時若string還有剩餘字元，仍然視為成功。想要完全匹配，可以在表示式末尾加上邊界匹配符'$'。
範例參見2.1小節。

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

這個方法用於查詢字串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match物件；若無法匹配，則將pos加1後重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。
pos和endpos的預設值分別為0和len(string))；re.search()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。

# encoding: UTF-8 
import re 
 
# 將正規表示式編譯成Pattern物件 
pattern = re.compile(r'world') 
 
# 使用search()查詢匹配的子串，不存在能匹配的子串時將返回None 
# 這個例子中使用match()無法成功匹配 
match = pattern.search('hello world!') 
 
if match: 
    # 使用Match獲得分組資訊 
    print match.group() 
 
### 輸出 ### 
# world

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):

按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。

import re
 
p = re.compile(r'd+')
print p.split('one1two2three3four4')
 
### output ###
# ['one', 'two', 'three', 'four', '']

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

搜尋string，以列表形式返回全部能匹配的子串。

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

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

搜尋string，返回一個順序存取每一個匹配結果（Match物件）的迭代器。

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

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

使用repl替換string中每一個匹配的子串後返回替換後的字串。
當repl是一個字串時，可以使用id或g<id>、g<name>參照分組，但不能使用編號0。
當repl是一個方法時，這個方法應當只接受一個引數（Match物件），並返回一個字串用於替換（返回的字串中不能再參照分組）。
count用於指定最多替換次數，不指定時全部替換。

import re
 
p = re.compile(r'(w+) (w+)')
s = 'i say, hello world!'
 
print p.sub(r'2 1', s)
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print p.sub(func, s)
 
### output ###
# say i, world hello!
# I Say, Hello World!

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):

返回 (sub(repl, string[, count]), 替換次數)。

import re
 
p = re.compile(r'(w+) (w+)')
s = 'i say, hello world!'
 
print p.subn(r'2 1', s)
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print p.subn(func, s)
 
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

以上就是Python對於正規表示式的支援。熟練掌握正規表示式是每一個程式設計師必須具備的技能，這年頭沒有不與字串打交道的程式了。筆者也處於初級階段，與君共勉，

另外，圖中的特殊構造部分沒有舉出例子，用到這些的正規表示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，

到此這篇關於Python正規表示式總結分享的文章就介紹到這了,更多相關Python正規表示式內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！