Python之re模組

一、正則表達式

re模組是python獨有的匹配字串的模組，該模組中提供的很多功能是基於正則表達式實現的，而正則表達式是對字串進行模糊匹配，提取自己需要的字串部分，他對所有的語言都通用。注意：

re模組是python獨有的
正則表達式所有程式語言都可以使用
re模組、正則表達式是對字串進行操作
因爲，re模組中的方法大都藉助於正則表達式，故先學習正則表達式。

（一）常用正則

1、字元組

在同一個位置可能出現的各種字元組成了一個字元組，在正則表達式中用[]表示

正則	待匹配字元	匹配結果	說明
[0123456789]	8	True	在一個字元組裏列舉合法的所有字元，字元組裏的任意一個字元和"待匹配字元"相同都視爲可以匹配
[0123456789]	a	False	由於字元組中沒有"a"字元，所以不能匹配
[0-9]	7	True	也可以用-表示範圍,[0-9]就和[0123456789]是一個意思
[a-z]	s	True	同樣的如果要匹配所有的小寫字母，直接用[a-z]就可以表示
[A-Z]	B	True	[A-Z]就表示所有的大寫字母
[0-9a-fA-F]	e	True	可以匹配數位，大小寫形式的a～f，用來驗證十六進制字元

常用正則匹配網址：https://tool.oschina.net/regex#

2、字元

元字元	匹配內容
.	匹配除換行符以外的任意字元
\w	匹配字母或數位或下劃線
\s	匹配任意的空白符
\d	匹配數位
\n	匹配一個換行符
\t	匹配一個製表符
\b	匹配一個單詞的結尾/邊界
^	匹配字串的開始
$	匹配字串的結尾
\W	匹配非字母或數位或下劃線
\D	匹配非數位
\S	匹配非空白符
a\|b	匹配字元a或字元b
()	匹配括號內的表達式，也表示一個組
[…]	匹配字元組中的字元
[^…]	匹配除了字元組中字元的所有字元

ps:同一字元的大小寫代表完全相反的含義,如\d與\D

3、量詞

量詞	用法說明
*	重複零次或更多次
+	重複一次或更多次
？	重複零次或一次
{n}	重複n次
{n,}	重複n次或更多次
{n,m}	重複n到m次

（二）正則表達式的使用

1、. ^ $

正則	待匹配字元	匹配結果	說明
a.	abacad	abacad	匹配所有"a."的字元
^a.	abacad	ab	只從開頭匹配"a."
a.$	abacad	ad	只匹配結尾的"a.$"

2、* + ? { }

正則	待匹配字元	匹配結果	說明
a.?	abefacgad	ab ac ad	?表示重複零次或一次，即只匹配"a"後面一個任意字元。
a.*	abefacgad	abefacgad	*表示重複零次或多次，即匹配"a"後面0或多個任意字元。
a.+	abefacgad	abefacgad	+表示重複一次或多次，即只匹配"a"後面1個或多個任意字元。
a.{1,2}	abefacgad	abe acg ad	{1,2}匹配1到2次任意字元。

注意：前面的*,+,?等都是貪婪匹配，也就是儘可能匹配，後面加?號使其變成惰性匹配

正則	待匹配字元	匹配結果	說明
a.*?	abefacgad	a a a	惰性匹配

3、字元集 ［］［^］

正則	待匹配字元	匹配結果	說明
a[befcgd]*	abefacgad	abef acg d	表示匹配"a"後面[befcgd]的字元任意次
a[^f]*	abefacgad	abe acg ad	表示匹配一個不是"f"的字元任意次
[\d]	412a3bc	4 1 2 3	表示匹配任意一個數字，匹配到4個結果
[\d]+	412a3bc	412 3	表示匹配任意個數字，匹配到2個結果

4、分組 () ｜［^］
　　身份證號碼是一個長度爲15或18個字元的字串，如果是15位則全部由數位組成，首位不能爲0；如果是18位元，則前17位全部是數位，末位可能是數位或x，下面下麪我們嘗試用正則來表示：

正則	待匹配字元	匹配結果	說明
^[1-9]\d{13,16}[0-9x]$	110101198001017032	110101198001017032	表示可以匹配一個正確的身份證號
^[1-9]\d{13,16}[0-9x]$	1101011980010170	1101011980010170	表示也可以匹配這串數位，但這並不是一個正確的身份證號碼，它是一個16位元的數位
^[1-9]\d{14}(\d{2}[0-9x])?$	1101011980010170	False	現在不會匹配錯誤的身份證號了()表示分組，將\d{2}[0-9x]分成一組，就可以整體約束他們出現的次數爲0-1次
^([1-9]\d{16}[0-9x]\|[1-9]\d{14})$	110105199812067023	110105199812067023	表示先匹配[1-9]\d{16}[0-9x]如果沒有匹配上就匹配[1-9]\d{14}

5、跳脫符 \

正則	待匹配字元	匹配結果	說明
\n	\n	False	因爲在正則表達式中\是有特殊意義的字元，所以要匹配\n本身，用表達式\n無法匹配
\\n	\n	True	跳脫\之後變成\\，即可匹配
「\\\\n」	‘\\n’	True	如果在python中，字串中的’\‘也需要跳脫，所以每一個字串’\'又需要跳脫一次
r’\\n’	r’\n’	True	在字串之前加r，讓整個字串不跳脫

6、貪婪匹配
貪婪匹配：在滿足匹配時，匹配儘可能長的字串，預設情況下，採用貪婪匹配

正則	待匹配字元	匹配結果	說明
<.*>	<script>…<script>	<script>…<script>	預設爲貪婪匹配模式，會匹配儘量長的字串
<.*?>	<script>…<script>	<script><script>	加上？爲將貪婪匹配模式轉爲非貪婪匹配模式，會匹配儘量短的字串

幾個常用的非貪婪匹配Pattern

*? 重複任意次，但儘可能少重複
+? 重複1次或更多次，但儘可能少重複
?? 重複0次或1次，但儘可能少重複
{n,m}? 重複n到m次，但儘可能少重複
{n,}? 重複n次以上，但儘可能少重複
.*?的用法

. 是任意字元
* 是取 0 至 無限長度
? 是非貪婪模式。
何在一起就是 取儘量少的任意字元，一般不會這麼單獨寫，他大多用在：
.*?x
就是取前面任意長度的字元，直到一個x出現

二、Re模組

（一）常數、屬性

1、re.A（re.ASCII）

讓\w，\W，\b，\B，\d，\D，\s和\S 執行ASCII-只匹配完整的Unicode匹配代替。
這僅對Unicode模式有意義，而對於位元組模式則忽略。

2、re.I（re.IGNORECASE）

執行不區分大小寫的匹配；
類似的表達式也[A-Z]將匹配小寫字母。

3、re.L（re.LOCALE）

讓\w，\W，\b，\B和區分大小寫的匹配取決於當前的語言環境。該標誌只能與位元組模式一起使用。
不建議使用此標誌，因爲語言環境機制機製非常不可靠，它一次只能處理一種「區域性」，並且僅適用於8位元語言環境。
預設情況下，Python 3中已爲Unicode（str）模式啓用了Unicode匹配，並且能夠處理不同的語言環境/語言。

4、re.M（re.MULTILINE）

指定時，模式字元’^‘在字串的開頭和每行的開頭（緊隨每個換行符之後）匹配；
模式字元’‘在字串的末尾和每行的末尾（緊接在每個換行符之前）匹配。
預設情況下，’^’ 僅在字串的開頭，字串’‘在字串的末尾和每行的末尾（緊接在每個換行符之前）匹配。
預設情況下，’^’ 僅在字串的開頭，字串’'的末尾和字串末尾的換行符（如果有）之前立即匹配。

5、re.S（re.DOTALL）

使’.‘特殊字元與任何字元都匹配，包括換行符；
沒有此標誌，’.'將匹配除換行符以外的任何內容。

（二）常用方法

1、re.compile（pattern，flags = 0 ）

將正則表達式模式編譯爲正則表達式物件，可使用match()，search()以及下面下麪所述的其他方法將其用於匹配

>>> prog = re.compile('\d{2}') # 正則物件

>>> prog.search('12abc')
<_sre.SRE_Match object; span=(0, 2), match='12'>
>>> prog.search('12abc').group() # 通過呼叫group()方法得到匹配的字串,如果字串沒有匹配，則返回None。
'12'

>>> prog.match('123abc')
<_sre.SRE_Match object; span=(0, 2), match='12'>
>>> prog.match('123abc').group()
'12'
>>>

2、re.search（pattern，string，flags = 0 ）

掃描字串以查詢正則表達式模式產生匹配項的第一個位置，然後返回相應的match物件。
None如果字串中沒有位置與模式匹配，則返回；否則返回false。
請注意，這與在字串中的某個點找到零長度匹配不同。

#在這個字串進行匹配，只會匹配一個物件
>>> re.search('\w+','abcde').group()
'abcde'
>>> re.search('a','abcde').group()
'a'
>>>

3、re.match（pattern，string，flags = 0 ）

如果字串開頭的零個或多個字元與正則表達式模式匹配，則返回相應的匹配物件。
None如果字串與模式不匹配，則返回；否則返回false。
請注意，這與零長度匹配不同。

# 同search,不過在字串開始處進行匹配，只會匹配一個物件
>>> re.match('a','abcade').group()
'a'
>>> re.match('\w+','abc123de').group()
'abc123de'
>>> re.match('\D+','abc123de').group() #非數位
'abc'
>>>

4、re.fullmatch（pattern，string，flags = 0 ）

如果整個字串與正則表達式模式匹配，則返回相應的match物件。
None如果字串與模式不匹配，則返回；否則返回false。
請注意，這與零長度匹配不同。

>>> re.fullmatch('\w+','abcade').group()
'abcade'
>>> re.fullmatch('abcade','abcade').group()
'abcade'
>>>

5、re.split（pattern，string，maxsplit = 0，flags = 0 ）

通過出現模式來拆分字串。如果在pattern中使用了捕獲括號，那麼模式中所有組的文字也將作爲結果列表的一部分返回。
如果maxsplit不爲零，則最多會發生maxsplit分割，並將字串的其餘部分作爲列表的最後一個元素返回。

>>> re.split('[ab]', 'abcd') # 先按'a'分割得到''和'bcd',在對''和'bcd'分別按'b'分割
['', '', 'cd']
>>> re.split(r'\W+', 'Words, words, words.')
['Words', 'words', 'words', '']
>>> re.split(r'(\W+)', 'Words, words, words.')
['Words', ', ', 'words', ', ', 'words', '.', '']
>>> re.split(r'\W+', 'Words, words, words.', 1)
['Words', 'words, words.']
>>> re.split('[a-f]+', '0a3B9', flags=re.IGNORECASE)
['0', '3', '9']

如果分隔符中有捕獲組，並且該匹配組在字串的開頭匹配，則結果將從空字串開始。字串的末尾也是如此：

>>> re.split(r'(\W+)', '...words, words...')
['', '...', 'words', ', ', 'words', '...', '']

6、re.findall（pattern，string，flags = 0 ）

以string列表形式返回string中pattern的所有非重疊匹配項。從左到右掃描該字串，並以找到的順序返回匹配項。
如果該模式中存在一個或多個組，則返回一個組列表；否則，返回一個列表。
如果模式包含多個組，則這將是一個元組列表。空匹配項包含在結果中。

>>> re.findall('a', 'This is a beautiful place!')
['a', 'a', 'a']
>>>

7、re.finditer（pattern，string，flags = 0 ）

返回一個迭代器，該迭代器在string型別的RE 模式的所有非重疊匹配中產生匹配物件。
從左到右掃描該字串，並以找到的順序返回匹配項。空匹配項包含在結果中。

>>> re.finditer('[ab]', 'This is a beautiful place!')
<callable_iterator object at 0x0000000000DCDA90> #迭代器物件
>>> ret=re.finditer('[ab]', 'This is a beautiful place!')
>>> next(ret).group() #檢視下一個匹配值
'a'
>>> [i.group() for i in ret] #檢視剩下所有匹配的值
['b', 'a', 'a']
>>>

8、re.sub（pattern，repl，string，count = 0，flags = 0 ）

返回通過用替換repl替換字串中最左邊的不重疊模式所獲得的字串。如果找不到該模式，則返回的字串不變。
repl可以是字串或函數；count參數表示將匹配到的內容進行替換的次數
如果是字串，則處理其中的任何反斜槓跳脫。即，將其轉換爲單個換行符，將其轉換爲回車，依此類推。

>>> re.sub('\d', 'S', 'abc12jh45li78', 2) #將匹配到的數位替換成S,替換2個
'abcSSjh45li78'

>>> re.sub('\d', 'S', 'abc12jh45li78') #將匹配到所有的數位替換成S
'abcSSjhSSliSS'
>>>

9、re.subn（pattern，repl，string，count = 0，flags = 0 ）

執行與相同的操作sub()，但返回一個元組。(new_string, number_of_subs_made)

>>> re.subn('\d', 'S', 'abc12jh45li78', 3)
('abcSSjhS5li78', 3)
>>>

10、re.escape(pattern)
escape中的所有字元圖案，除了ASCII字母，數位和’_’。
如果要匹配可能包含正則表達式元字元的任意文字字串，這將很有用。

>>> re.escape('python.exe\n')
'python\\.exe\\\n'
>>>

11、search（）與match（）方法

Python提供了兩種基於正則表達式的原始操作：
re.match()僅在字串的開頭匹配，
re.search()檢查匹配項，在字串中的任何位置檢查匹配項（這是Perl的預設設定）。

>>> re.match("c", "abcdef") #Not match
>>> re.search("c", "abcdef") #match
<_sre.SRE_Match object; span=(2, 3), match='c'>
>>>

以開頭的正則表達式’^'可用於search()限制字串開頭的匹配項：

>>> re.match("c", "abcdef") #Not match
>>> re.search("^c", "abcdef") #Not match
>>> re.search("^a", "abcdef") #match
<_sre.SRE_Match object; span=(0, 1), match='a'>
>>>

作者：Bright
轉載出處：http://www.cnblogs.com/shenjianping/