Python正则表达式re模块简明笔记

简介

正则表达式（regular expression）是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串，可以匹配其自身。比如，正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。

要注意的是，正则表达式并不是一个程序，而是用于处理字符串的一种模式，如果你想用它来处理字符串，就必须使用支持正则表达式的工具，比如 Linux 中的 awk, sed, grep，或者编程语言 Perl, Python, Java 等等。

正则表达式有多种不同的风格，下表列出了适用于 Python 或 Perl 等编程语言的部分 元字符 以及说明：

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，比如，为了匹配字符串 ‘python.org’，我们需要使用正则表达式  'python/.org' ，而 Python 的字符串本身也用  / 转义，所以上面的正则表达式在 Python 中应该写成  'python//.org' ，这会很容易陷入  / 的困扰中，因此，我们建议使用 Python 的原始字符串，只需加一个 r 前缀，上面的正则表达式可以写成：

r'python/.org'

re 模块提供了不少有用的函数，用以匹配字符串，比如：

• compile 函数

• match 函数

• search 函数

• findall 函数

• finditer 函数

• split 函数

• sub 函数

• subn 函数

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：

re .compile ( pattern [, flag] )

其中，pattern 是一个字符串形式的正则表达式，flag 是一个可选参数，表示匹配模式，比如忽略大小写，多行模式等。

下面，让我们看看例子。

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

• search 方法

• findall 方法

• finditer 方法

• split 方法

• sub 方法

• subn 方法

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。

看看例子。

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：

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：

再来看一个例子：

# -*- coding: utf-8 -*-

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'

)

执行结果：

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

print result1

print

result2

执行结果：

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：

# -*- coding: utf-8 -*-

import re

pattern = re.compile( r'/d+' )

print type(result_iter1)

print

type(result_iter2)

执行结果：

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

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+)' )

s =

'hello 123, hello 456'

执行结果：

subn 方法

subn 方法跟 sub 方法的行为类似，也用于替换。它的使用形式如下：

subn(repl, string[, count ])

它返回一个元组：

(sub(repl, string[, count ]), 替换次数)

元组有两个元素，第一个元素是使用 sub 方法的结果，第二个元素返回原字符串被替换的次数。

看看例子：

import re

p = re.compile( r'(/w+) (/w+)' )

s =

'hello 123, hello 456'

执行结果：

其他函数

事实上，使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的，但在使用上有细微差别。

match 函数

match 函数的使用形式如下：

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

其中，pattern 是正则表达式的字符串形式，比如 /d+ ,  [a-z]+ 。

而 Pattern 对象的 match 方法使用形式是：

match ( string [, pos[, endpos] ])

可以看到，match 函数不能指定字符串的区间，它只能搜索头部，看看例子：

执行结果：

m1 is : None

matching string:

12

search 函数

search 函数的使用形式如下：

re .search ( pattern , string [, flags] )

search 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 search 方法类似。

findall 函数

findall 函数的使用形式如下：

re .findall ( pattern , string [, flags] )

findall 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 findall 方法类似。

看看例子：

import re

print re.findall( r'/d+' , 'hello 12345 789' )

finditer 函数

finditer 函数的使用方法跟 Pattern 的 finditer 方法类似，形式如下：

re .finditer ( pattern , string [, flags] )

split 函数

split 函数的使用形式如下：

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

sub 函数

sub 函数的使用形式如下：

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

subn 函数

subn 函数的使用形式如下：

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

到底用哪种方式

从上文可以看到，使用 re 模块有两种方式：

• 使用 re.compile 函数生成一个 Pattern 对象，然后使用 Pattern 对象的一系列方法对文本进行匹配查找；

• 直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找；

下面，我们用一个例子展示这两种方法。

先看第 1 种用法：

import re

# 将正则表达式先编译成 Pattern 对象

pattern = re.compile(

r'/d+'

)

再看第 2 种用法：

import re

如果一个正则表达式需要用到多次（比如上面的 /d+ ），在多种场合经常需要被用到，出于效率的考虑，我们应该预先编译该正则表达式，生成一个 Pattern 对象，再使用该对象的一系列方法对需要匹配的文件进行匹配；而如果直接使用 re.match, re.search 等函数，每次传入一个正则表达式，它都会被编译一次，效率就会大打折扣。

因此，我们推荐使用第 1 种用法。

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：

# -*- coding: utf-8 -*-

import re

title = u'你好，hello，世界'

pattern = re.compile( ur'[/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:

[ u'/u4f60/u597d' , u'/u4e16/u754c' ]

贪婪匹配

在 Python 中，正则匹配默认是 贪婪匹配 （在少数语言中可能是非贪婪），也就是 匹配尽可能多的字符 。

比如，我们想找出字符串中的所有 div 块：

import re

content = 'aa<div>test1</div>bb<div>test2</div>cc'

pattern = re.compile( r'<div>.*</div>' )

result = pattern.findall(content)

print result

执行结果：

[' < div > test1 </ div > bb < div > test2 </ div > ']

由于正则匹配是贪婪匹配，也就是尽可能多的匹配，因此，在成功匹配到第一个 </div> 时，它还会向右尝试匹配，查看是否还有更长的可以成功匹配的子串。

如果我们想非贪婪匹配，可以加一个 ? ，如下：

import re

content = 'aa<div>test1</div>bb<div>test2</div>cc'

pattern = re.compile( r'<div>.*?</div>' )    # 加上 ?

result = pattern.findall(content)

print result

结果：

[' < div > test1 </ div > ', ' < div > test2 </ div > ']

小结

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；

Python 的正则匹配默认是贪婪匹配。