Python正则表达式指南（转）

地址：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

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：

特殊构造的使用：

1.如何匹配不是以abc开头的单词

（1）使用\b(单词开始位置右边不是abc):\'\b(?!abc)\w+

（2）不使用\b:\'(?<!abc)(?=\w)(?!abc)\w+\'

2.如何匹配不包含abc的单词

\b((?!abc)\w)+\b

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"。

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。

import re
\'\'\'
# common char
print(re.search(\'abc\',\'abc\'))
# .
print(re.search(\'a.c\', \'abc\'))
print(re.search(\'a.c\', \'a.c\'))

# . \
print(re.findall(\'a\.c\', \'a.c\'))
print(re.findall(r\'a.c\', \'a.c\'))
print(re.findall(\'a\\\c\', \'a\\c\'))
print(re.findall(\'a\\\c\', r\'a\c\'))
print(re.findall(r\'a\\c\', r\'a\c\'))

# [...]
print(re.findall(\'a[bcd]e\', \'abe\'))
print(re.findall(\'a[bcd]e\', \'ace\'))
print(re.findall(\'a[bcd]e\', \'ade\'))
print(re.findall(\'a[bcd]e\', \'abce\'))

# \d \D
print(re.findall(\'a\dc\', \'a1c\'))
print(re.findall(\'a\Dc\', \'abc\'))

# \s \S
print(re.findall(\'a\sc\', \'a c\'))
print(re.findall(\'a\sc\', \'a\nc\'))
print(re.findall(\'a\Sc\', \'abc\'))

# \w \W
print(re.findall(\'a\wc\', \'abc\'))
print(re.findall(\'a\Wc\', \'a c\'))

# * + ?
print(re.findall(\'abc*\',\'ab\'))
print(re.findall(\'abc*\',\'abc\'))
print(re.findall(\'abc*\',\'abccc\'))
print(re.findall(\'abc+\',\'abc\'))
print(re.findall(\'abc+\',\'abccc\'))
print(re.findall(\'abc?\',\'ab\'))
print(re.findall(\'abc?\',\'abc\'))

# {m} {m, n} {m, }
print(re.findall(\'ab{2}c\', \'abbc\'))
print(re.findall(\'ab{1,2}c\', \'abc\'))
print(re.findall(\'ab{1,2}c\', \'abbc\'))
print(re.findall(\'ab{1,}c\', \'abc\'))
print(re.findall(\'ab{1,}c\', \'abbbc\'))

# *? +? ?? {m,n}?
print(re.findall(\'ab*\',\'abbbc\'))
print(re.findall(\'ab*?\',\'abbbc\'))

#print(re.findall(r\'<emt>[\s\S]*</emt>\', \'<emt>haha</emt>\'))

# ^ $
print(re.findall(\'^abc\', \'abc\'))
print(re.findall(\'abc$\', \'abc\'))

# \A \Z
print(re.findall(\'\Aabc\', \'abc\'))
print(re.findall(\'abc\Z\', \'abc\'))

# \b \B
print(re.findall(r\'a\bbc\', \'abc\'))
print(re.findall(r\'a\b!bc\', \'a!bc\'))
print(re.findall(\'a\Bbc\', \'abc\'))
print(re.findall(\'a\B!bc\', \'a!bc\'))

# |
print(re.findall(r\'abc|def\', \'abc\'))
print(re.findall(r\'abc|def\', \'def\'))

# (...)
print(re.findall(\'(abc){2}\',\'abcabc\'))
print(re.findall(\'a(123|456)c\', \'a123c\'))

# (?P <name>...)
print(re.findall(\'(?P<id>abc){2}\',\'abcabc\'))

# \<number>
print(re.findall(r\'(\d)abc\1\', \'1abc8\'))
print(re.findall(r\'(\d)abc\1\', \'8abc8\'))

# (?P=name)
print(re.findall(\'(?P<id>\d)abc(?P=id)\', \'1abc8\'))
print(re.findall(\'(?P<id>\d)abc(?P=id)\', \'8abc8\'))

# (?:...)
print(re.findall(\'(?:abc){1}\', \'abcabc\'))

# (?iLmsux)
print(re.findall(\'(?i)abc\', \'abc\'))
print(re.findall(\'(?i)abc\', \'Abc\'))
print(re.findall(\'(?i)abc\', \'ABC\'))

# (?#...)
print(re.findall(\'abc(?#comment)123\', \'abc123\'))

# (?=...) (?!...)
print(re.findall(\'a(?=\d)\', \'a1\'))
print(re.findall(\'a(?=\d)\', \'ab\'))
print(re.findall(\'a(?!\d)\', \'ab\'))
print(re.findall(\'a(?!\d)\', \'a1\'))

# (?<=...) (?<!...)
print(re.findall(\'(?<=\d)a\', \'1a\'))
print(re.findall(\'(?<=\d)a\', \'ba\'))
print(re.findall(\'(?<!\d)a\', \'ba\'))
print(re.findall(\'(?<!\d)a\', \'1a\'))

# (?(id/name)yes-pattern|no-pattern)
print(re.findall(\'(\d)abc(?(1)\d|\w)\', \'1abc2\'))
print(re.findall(\'(\d)abc(?(1)\d|\w)\', \'abcabc\'))
print(re.findall(\'(?P<id>\d)abc(?(id)\d|\w)\', \'1abc2\'))
print(re.findall(\'(?P<id>\d)abc(?(id)\d|\w)\', \'abcabc\'))
print(re.findall(\'(Hello)?(?(1)World|HuHu)\', \'HelloWorld\'))
print(re.findall(\'(Hello)?(?(1)World|HuHu)\', \'HuHu\'))
\'\'\'
# \
print(re.findall(\'\\\\\', \'a\\c\'))
print(re.findall(r\'\\\', \'a\\c\'))
print(re.findall(r\'\\\', r\'a\c\'))
print(re.findall(\'\\d\', \'a1c\'))
print(re.findall(r\'\d\', \'a1c\'))


\'\'\'
# output
[\'\\\']
[\'\\\']
[\'\\\']
[\'1\']
[\'1\']
\'\'\'

View Code

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。

import re

# 将正则表达式编译成Pattern对象
pattern = re.compile(r\'hello\')

# 使用Pattern对象匹配文本，获取匹配结果，无法匹配时返回None
match = pattern.match(\'hello world\')

if match:
    # 使用Match获取分组信息
    print(match.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：

a = re.compile(r"""\d+ # the integer part
                   \.  # the decimal point
                   \d* # some fractional digits""")
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：

import re

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

if m:
    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：

string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
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。
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。
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。
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：

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。
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。
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。
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。
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。
span([group]): 返回(start(group), end(group))。
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。

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(0):\', m.group(0))
print(\'m.group(1):\', m.group(1))
print(\'m.group(2):\', m.group(2))
print(\'m.group(1, 2):\', m.group(1, 2))
print("m.group(\'sign\'):", m.group(\'sign\'))
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 0x004CB6B0>
m.pos: 0
m.endpos: 12
m.lastindex: 3
m.lastgroup: sign
m.group(0): hello world!
m.group(1): hello
m.group(2): world
m.group(1, 2): (\'hello\', \'world\')
m.group(\'sign\'): !
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：

pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
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。

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: 48
p.groups: 3
p.groupindex: {\'sign\': 3}
\'\'\'

实例方法[ | re模块方法]：

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\'$\'。
- 示例参见2.1小节。

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。

import re

# 将正则表达式字符串编译成Pattern对象
pattern = re.compile(r\'world\')

# 使用search()查看匹配的子串，不存在能匹配的子串时返回None
#match = pattern.match(\'hello world\')
match = pattern.search(\'hello world\')

if match:
    print(match.group())

\'\'\'
# output
world
\'\'\'

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。

import re

p = re.compile(r\'\d+\')
print(p.split(\'one1two2three3four4five5\'))

\'\'\'
output:
[\'one\', \'two\', \'three\', \'four\', \'five\', \'\']
\'\'\'

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。

import re

p = re.compile(r\'\d+\')
for m in p.finditer(\'one1two2three3four4five5\'):
    print(m.group(), end=\' \')
\'\'\'
# output
1 2 3 4 5 
\'\'\'

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。

import re

p = re.compile(r\'(?P<id1>\w+) (?P<id2>\w+)\')
s = \'i say, hello world\'

print(p.findall(s))
print(p.sub(r\'\2 \1\', s))
print(p.sub(r\'\g<2> \g<1>\', s))
print(p.sub(r\'\g<id2> \g<id1>\', s))
\'\'\'
# output
[(\'i\', \'say\'), (\'hello\', \'world\')]
say i, world hello
say i, world hello
say i, world hello
\'\'\'


def func(m):
    return m.group(1).title() + \' \' + m.group(2).title()

print(p.sub(func, s))
\'\'\'
#output
I Say, Hello World
\'\'\'

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

import re

p = re.compile(r\'(?P<id1>\w+) (?P<id2>\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)
\'\'\'