Python正则表达式－2
生活随笔
收集整理的这篇文章主要介绍了
Python正则表达式－2
小编觉得挺不错的,现在分享给大家,帮大家做个参考.
本文介绍了Python对于正则表达式的支持，包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例。本文的内容不包括如何编写高效的正则表达式、如何优化正则表达式，这些主题请查看其他教程。
注意：本文基于Python2.4完成；如果看到不明白的词汇请记得百度谷歌或维基，whatever。
尊重作者的劳动，转载请注明作者及原文地址 >.<html
最短匹
1. 正则表达式基础
1.1. 简单介绍
正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，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，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。
下图展示了使用正则表达式进行匹配的流程：
正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，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。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。
下图列出了Python支持的正则表达式元字符和语法：
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。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。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"。
Jeffrey: 我加一点自己做项目过程中遇到的这种匹配方式的理解：
最短匹配：.*? http://deerchao.net/tutorials/regex/regex.htm
假如，我们有以下的代码存放在Test_1.xml中（注意：这里不仅限于xml文件，同样的也适应于其它的任何的文件）：我们的
源文件：
<Request Action="LOGIN" RequestId="100000"><Authentication><ClientName>Administrator</ClientName><Password>5420!Cts</Password></Authentication></Request><?xml version="1.0" encoding="UTF-8"?><Response Status="OKAY" RequestId="100000"><Authentication MajorVersion="28" MinorVersion="0"><ClientName>Administrator</ClientName><Role>ADMINISTRATOR</Role></Authentication></Response><Request Action="UPDATE" RequestId="100000"><CapacityLimit><Category>RESIDENTIALSUBSCRIBER_R2</Category><LockKey>17ylvJrPbcGgHEUPF001n//k/v/n//Xu0P//AAb3rb8H=0000050010</LockKey><SignKey>QDA9s+3HukQn3DyX15otQNaOvEQaEU5skCx0JDPQHJ77/jwYQl0uLQUYlKHZWmwKIhGCGWIuz8nADDtXlJK9VA==</SignKey></CapacityLimit></Request><?xml version="1.0" encoding="UTF-8"?><span style="color:#FF0000;"><Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000"> <CapacityParms><Category>RESIDENTIALSUBSCRIBER_R2</Category><FeatureSetName>R1 FEATURE SET</FeatureSetName><OfficeId>ylvJrPbcGgHE</OfficeId><CurrentCnt>0</CurrentCnt><LimitCnt>0000050</LimitCnt><SpareCapacity>0</SpareCapacity><TasUnequalDistribution>0</TasUnequalDistribution> </CapacityParms></Response></span><Request Action="LOGOFF" RequestId="tll-logoff"><Authentication><ClientName>Administrator</ClientName></Authentication></Request><?xml version="1.0" encoding="UTF-8"?><Response Status="OKAY" RequestId="tll-logoff"><Authentication><ClientName>Administrator</ClientName></Authentication></Response> 这个是我的re_test.py代码文件，这个文件中到了两种匹配方式，当然，只有def re_testsearch()才可以满足我们的要求，因为它是实现的是段落匹配（因为这个里面用了 re.S）#-*- coding:utf-8 -*- #最上一句如果不加上的话不能输入汉字，不然编译不过 #/usr/bin/pythonimport os import sys import re#################################################### # 一行一行的匹配 # 比如Test_2.xml中的内容如下： # <Response Staus="OKAY" CongLvl="jeffrey"> # <a>test1</a> # <b>test2</b> # </Response> # <Response Staus="OKAY" CongLvl="guan"> # <a>test1</a> # <b>test2</b> # </Response> # <Response Staus="OKAY" CongLvl="zenghui"> # <a>test1</a> # <b>test2</b> # </Response> # <Response Staus="OKAY" CongLvl="jeguan"> # <a>test1</a> # <b>test2</b> # </Response> # 那么匹配后的得到结果为 # <Response Staus="OKAY" CongLvl="jeffrey"> # <Response Staus="OKAY" CongLvl="guan"> # <Response Staus="OKAY" CongLvl="zenghui"> # <Response Staus="OKAY" CongLvl="jeguan"> # #################################################### def re_test():# 原文件filename = r'C:\Users\jeguan\Desktop\Test_2.xml'# 匹配得到的内容存储在Test_2_bk.xml中new_file = r'C:\Users\jeguan\Desktop\Test_2_bk.xml'# 打开原文件open_file = open(filename, 'r')read_file = open_file.readlines()# 打开目标文件，即：存放匹配结果的文件newfile = open(new_file, 'wb')# 匹配以<Response开头并且有CongLvl字符串的行,注意，# 这里是非lazzy匹配,并且是一行一行匹配，即，遇到# '\n'就会结束patt = re.compile(r'^<Response.*CongLvl.*')# 遍历原文件的所有行,如果找到就会存盘for line in read_file:match = patt.search(line)if match:m = match.group(0)newfile.write(m)open_file.close()newfile.close()################################################################################# # 多行匹配，即：可以匹配一个文本中的特定段落。这里主要是要用到re模块中的re.S # 它表示当用'.'来进行匹配的时候，可以忽略掉'\n'，这一点与'.'正常的规则是不一样的 # # 另外一个要注意的地方是这里使用了Lazzy匹配的方式。当有多个Response>出现的时候， # 它只会匹配第一次出现的地方。比如： # <Response Staus="OKAY" CongLvl="jeguan"> # <a>test1</a> # <b>test2</b> # </Response> # <Response Staus="OKAY" CongLvl="zenghuiguan"> # <a>test3</a> # <b>test4</b> # </Response> # 当用lazzy方式的时候，只会匹配到第一次出现Response>的地方 # 本文中匹配得到的结果为： # <Response Staus="OKAY" CongLvl="jeguan"> # <a>test1</a> # <b>test2</b> # </Response> # ################################################################################ def re_testsearch():# filename = r'C:\Users\jeguan\Desktop\Test_2.xml'new_file = r'C:\Users\jeguan\Desktop\Test_2_bk.xml'open_file = open(filename, 'r')read_file = open_file.readlines()newfile = open(new_file, 'wb')# re.S means: Make the '.' special character match any character at all, # including a newline; without this flag, '.' will match anything except a newline.# '(.+?)' means: this is a greedy match. When the fist 'Response>' is found, then# it will not try to match the next 'Response>'<span style="color:#CC0000;">patt = re.compile(r'<Response Status="OKAY" CongLvl="LEVEL0"*(.+?)Response>', <strong>re.S</strong>)</span>str1 = ""# 把读出的行放在str1中for line in read_file:str1 = str1 + linematch1 = patt.search(str1)newfile.write(match1.group(0))print(match1.group())if __name__ == "__main__":re_testsearch()我们用re_testsearch()这个函数来匹配最终的结果如下所示，得到了我们的要求：
<Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100<CapacityParms><Category>RESIDENTIALSUBSCRIBER_R2</Category><FeatureSetName>R1 FEATURE SET</FeatureSetName><OfficeId>ylvJrPbcGgHE</OfficeId><CurrentCnt>0</CurrentCnt><LimitCnt>0000050</LimitCnt><SpareCapacity>0</SpareCapacity><TasUnequalDistribution>0</TasUnequalDistribution></CapacityParms> </Response> 但是，如果我们使用re_test()来试图匹配的话，不会得到上面的这个结果，相反，只会找到 <Response Status="OKAY" CongLvl="LEVEL0" OverallProvTime="4026852" TimeInReqQueue="228" DbCommitTime="6371" RequestId="100000">
上面的代码可以在我的github上找到：https://github.com/double12gzh/PythonLearning
1.3. 反斜杠的困扰
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"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，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。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，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
1.4. 匹配模式
正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。
2. re模块
2.1. 开始使用re
Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | # encoding: UTF-8 import re # 将正则表达式编译成Pattern对象 pattern =re.compile(r'hello') # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None match =pattern.match('hello world!') if match: # 使用Match获得分组信息 printmatch.group() ### 输出 ### # hello |
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(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
- M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
- S(DOTALL): 点任意匹配模式，改变'.'的行为
- L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
- U(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
- X(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：
| 1 2 3 4 | 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。如上面这个例子可以简写为：
| 1 2 | m =re.match(r'hello','hello world!') 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，在需要大量匹配元字符时有那么一点用。
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：
方法：
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。
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。
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。
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。
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。
返回(start(group), end(group))。
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。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 | 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 \1\3'):", m.expand(r'\2 \1\3') ### 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 \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。
Pattern提供了几个可读属性用于获取表达式的相关信息：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 | 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} |
实例方法[ | re模块方法]：
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'$'。
示例参见2.1小节。
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。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | # encoding: UTF-8 import re # 将正则表达式编译成Pattern对象 pattern =re.compile(r'world') # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None # 这个例子中使用match()无法成功匹配 match =pattern.search('hello world!') if match: # 使用Match获得分组信息 printmatch.group() ### 输出 ### # world |
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。
| 1 2 3 4 5 6 7 | import re p =re.compile(r'\d+') print p.split('one1two2three3four4') ### output ### # ['one', 'two', 'three', 'four', ''] |
搜索string，以列表形式返回全部能匹配的子串。
| 1 2 3 4 5 6 7 | import re p =re.compile(r'\d+') print p.findall('one1two2three3four4') ### output ### # ['1', '2', '3', '4'] |
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。
| 1 2 3 4 5 6 7 8 | import re p =re.compile(r'\d+') for m in p.finditer('one1two2three3four4'): printm.group(), ### output ### # 1 2 3 4 |
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。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | import re p =re.compile(r'(\w+) (\w+)') s ='i say, hello world!' print p.sub(r'\2 \1', s) def func(m): returnm.group(1).title()+' ' + m.group(2).title() print p.sub(func, s) ### output ### # say i, world hello! # I Say, Hello World! |
返回 (sub(repl, string[, count]), 替换次数)。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | import re p =re.compile(r'(\w+) (\w+)') s ='i say, hello world!' print p.subn(r'\2 \1', s) def func(m): returnm.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对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^
另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下，如何匹配不是以abc开头的单词，^_^
全文结束
转载于:https://www.cnblogs.com/double12gzh/p/10166238.html
总结
以上是生活随笔为你收集整理的Python正则表达式－2的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇： [Noip模拟赛] Polygon
- 下一篇： 深入super，看Python如何解决钻