8.7 正则表达式

8.7.1 正则表达式

正则表达式是处理字符串的强大工具，它有自己特定的语法结构，有了它，可以实现实现字符串的检索、替换、匹配验证。

正则表达式就是一个模板，用一定的规则将特定的文本提取出来。

常用的正则表达式规则如下：

8.7.2 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，需加一个 r 前缀，示例：

r'hello\t\.\tpython'

使用步骤如下：

  1. 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；

  2. 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： Match 对象；

  3. 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+')   
>>> m = pattern.match('abc123def456ghi789')    
>>> print(m)
None
>>> m = pattern.match('abc123def456ghi789', 2, 10)    
>>> print(m)
None
>>> m = pattern.match('abc123def456ghi789', 3, 10)   
>>> print(m)
<_sre.SRE_Match object; span=(3, 6), match='123'>
>>> m.group()
'123'
>>> m.start()
3
>>> m.end()
6
>>> m.span()
(3, 6)

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)
>>> m=pattern.match('Hello World Wide Web')
>>> print(m)
<_sre.SRE_Match object; span=(0, 5), match='Hello'>

>>> pattern = re.compile(r'([a-z]+) ([a-z]+)',re.I)
>>> m = pattern.match('Hello World Wide Web')
>>> print(m)
<_sre.SRE_Match object; span=(0, 11), match='Hello World'>
>>> m.group()
'Hello World'
>>> m.span()
(0, 11)
>>> m.group(1)
'Hello'
>>> m.span(1)
(0, 5)
>>> m.group(2)
'World'
>>> m.span(2)
(6, 11)
>>> m.groups()
('Hello', 'World')
>>> m.group(3)
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。

让我们看看例子：

>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('abc123def456ghi789')
>>> print(m)
<_sre.SRE_Match object; span=(3, 6), match='123'>
>>> m.group()
'123'
>>> m = pattern.search('abc123def456ghi789', 10, 20)
>>> print(m)
<_sre.SRE_Match object; span=(10, 12), match='56'>
>>> m.group()
'56'
>>> m.span()
(10, 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。

看看例子：

>>> import re
>>> pattern = re.compile(r'\d+')
>>> m = pattern.findall('abc123def456ghi789')
>>> print(m)
['123', '456', '789']

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。

看看例子：

import re

pattern = re.compile(r'\d+')
m = pattern.finditer('abc123def456ghi789')

for m1 in m:
    print('matching string: {}, position: {}'.format(m1.group(), m1.span()))

执行结果：

matching string: 123, position: (3, 6)
matching string: 456, position: (9, 12)
matching string: 789, position: (15, 18)

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。

看看例子：

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。

看看例子：

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):
    return 'hi' + ' ' + m.group(2)

print(p.sub(func, s))
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 = '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)

执行结果:

['你好', '世界']

注意：贪婪模式与非贪婪模式

  1. 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 ( * )；
  2. 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 ( ? )；
  3. Python里数量词默认是贪婪的。

示例： 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。