python re模塊

python 中的re模塊

re 模塊為Python的內置模塊，Python程序中通過這個模塊來使用正則表達式。

re 模塊的使用

re 模塊有兩種使用方式，示例中以match方法為例。

方式 1：

步驟：
1）直接使用 re.match 方法（傳入正則表達式和需要匹配的字符串）對文本進行匹配查找，match方法返回一個 Match 對象
2）使用 Match 對象提供的方法獲取匹配結果

示例：

import re

m = re.match(r'\d+', '123abc456')    # 返回一個 Match 對象
print(m.group())                     # 輸出匹配結果：123

方式 2：

步驟：
1）使用 re.compile 方法（傳入正則表達式）得到 Pattern 對象
2）通過 Pattern 對象提供的方法對字符串進行匹配查找，返回一個 Match 對象（包含了匹配結果）
3）使用 Match 對象提供的方法獲取匹配結果

示例：

import re

pattern = re.compile(r'\d+')            # 返回一個 Pattern 對象
m = pattern.match('123abc456')       # 返回一個 Match 對象
print(m.group())                               # 輸出匹配結果：123

如上2種方式的區別在于，第二種方式通過 re.compile 方法獲取一個 Pattern 對象，使得一個正則表達式被多次用于匹配；而第一種方式，每一次的匹配都需要傳入正則表達式。

compile方法

re.compile(pattern[, flag])

示例中的 compile 方法用于編譯正則表達式，返回一個 Pattern 對象，可利用 Pattern 對象中的一系列方法對字符串進行匹配查找。Pattern 對象中的常用方法包括：match，search，findall，finditer，split，sub，subn。當然這些方法也可以使用 re模塊直接調用~

match方法

match 方法用于從字符串的頭部開始匹配，僅返回第一個匹配的結果~

pattern.match(string[, pos[, endpos]])
或
re.match(pattern, string[, flags])

pattern.match(string[, pos[, endpos]]) 中的 pos，endpos指定字符串匹配的起始和終止位置，這兩個均為可選參數，若不指定，默認從字符串的開頭開始匹配~
?
re.match(pattern, string[, flags]) 中的pattern為傳入的正則表達式，flags指定匹配模式，如忽略大小寫，多行模式，同compile方法中的flag參數~
?

分組匹配

可以通過在正則表達式中使用小括號'()'，來對匹配到的數據進行分組，然后通過group([n])，groups()獲取對應的分組數據。

import re

pattern = re.compile('([0-9]*)([a-z]*)([0-9]*)')
m = pattern.match('123abc456')

# 輸出匹配的完整字符串
print(m.group())        # 123abc456

# 同上，輸出匹配的完整字符串
print(m.group(0))       # 123abc456

# 從匹配的字符串中獲取第一個分組
print(m.group(1))       # 123

# 從匹配的字符串中獲取第二個分組
print(m.group(2))       # abc

# 從匹配的字符串中獲取第三個分組
print(m.group(3))       # 456

# 從匹配的字符串中獲取所有分組，返回為元組
print(m.groups())       # ('123', 'abc', '456')

# 獲取第二個分組 在字符串中的起始位置（分組第一個字符的索引），start方法的默認參數為0，即字符串的起始索引
print(m.start(2))       # 3

# 獲取第二個分組 在字符串中的起始位置（分組最后一個字符的索引+1），通start方法，end方法的默認參數也為0，即字符串結尾的索引+1
print(m.end(2))        # 6

# 第三個分組的起始和結束位置，即 (start(3), end(3))
print(m.span(3))     # (6, 9)

# 同 (start(), end())
print(m.span())      # (0, 9)

上述中的 group()，groups()，start()，end()，span() 方法均為 Match類中的方法，這些方法主要用于從匹配的字符串中（或者說是從 Match對象中）獲取相關信息~

re 模塊下的常用方法

re 模塊中較為常用的方法除了 compile() 和 match() 方法，還有下面列出的這些~

search 方法

不同于match方法的從頭開始匹配，search方法用于在字符串中的進行查找（從左向右進行查找），只要找到一個匹配結果，就返回 Match 對象，若沒有則返回None~

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

# 可選參數 pos，endpos 用于指定查找的起始位置和結束位置，默認 pos 為0，endpos為字符串長度

示例：re.search

import re

pattern = re.compile(r'[a-z]+')
m = pattern.match('123abc456cde')
print(m)               # None

m =  pattern.search('123abc456cde')  # 或者 m = re.search(r'[a-z]+', '123abc456')
print(m.group())   # abc

由于match是從頭開始匹配，所以這里匹配不到結果~

findall 方法

match方法 和search方法 僅會返回一個結果，findall方法會將字符串中的所有匹配結果以列表的形式返回，注意，返回的是列表，不是 Match 對象~

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

# 可選參數 pos，endpos 用于指定查找的起始位置和結束位置，默認 pos 為0，endpos為字符串長度

示例：

import re

pattern = re.compile(r'[a-z]+')
res = pattern.findall('123abc456cde')
print(res)

# 執行結果：
['abc', 'cde']

findall方法的優先級查詢，findall方法會優先把匹配結果組里的內容進行返回，來看如下示例：

import re

pattern = re.compile('\d([a-z]+)\d')
print(pattern.findall('123abc456'))

# 輸出結果：
['abc']

?
其實我們想要的結果是 '3abc4'，但是findall方法會優先返回分組中的內容，即 'abc'。若要想要匹配結果，取消權限即可，就是在小括號的起始位置加上 '?:'

import re

pattern = re.compile('\d(?:[a-z]+)\d')
print(pattern.findall('123abc456'))

# 輸出結果：
['3abc4']

finditer 方法

finditer 方法與 findall方法類似，會查找整個字符串并返回所有匹配的結果，返回的是一個迭代器，且每一個元素為 Match 對象~

import re

pattern = re.compile(r'\d+')
res = pattern.finditer('#123abc456cde')
for i in res:
    print(i.group())

# 輸出結果：
123
456

split 方法

split方法用于將字符串進行切割，切割使用的分隔符就是字符串中被匹配到的子串，將被切割后的子串以列表的形式返回~

split(string[, maxsplit])

# maxsplit 參數用于指定最大分割次數，默認會將這個字符串分割

示例：

import re

pattern = re.compile(r'\d+') 
m = pattern.split('abc23de3fgh4456ij')   # 或者直接 re.split('\d+','abc23de3fgh4ij')
print(m)

# 結果輸出：
['abc', 'de', 'fgh', 'ij']

正則表達式中添加括號后，則會保留分隔符

import re

ret = re.split("(\d+)", "abc23de3fgh4456ij")
print(ret)

# 結果輸出”
['abc', '23', 'de', '3', 'fgh', '3456', 'ij']

sub 方法

sub方法用于將字符串中匹配的子串替換為指定的字符串

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

count為可選參數，指定最大替換次數，repl 可以是一個字符串，也可以是一個 \id 引用匹配到的分組（但不能使用 \0），還可以是一個方法，該方法僅接受一個參數（Match對象），且返回一個字符串~

1）repl 是一個字符串

import re

ret = re.sub(r'\d+', '###', 'abc123cde')
print(ret)

# 輸出結果：
abc###cde

2）repl 是一個分組引用
將類似于 'hello world' 這樣的字符串前后兩個單詞替換~

import re

ret = re.sub(r'(\w+) (\w+)', r'\2 \1', 'hello world; hello kitty')
print(ret)

# 輸出結果：
world hello; kitty hello

3）repl是一個方法

import re

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

ret = re.sub(r'(\w+) (\w+)', func, 'hello world; hello kitty')
print(ret)

# 輸出結果：
hi world; hi kitty

subn方法

subn方法和sub方法類似，subn方法會返回一個元組，元組有兩個元素，第一個元素與sub方法返回的結果一致，第二個元素為字符串中被替換的子串個數

import re

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

ret = re.subn(r'\d+', '###', 'abc123cde')
print(ret)

ret = re.subn(r'(\w+) (\w+)', r'\2 \1', 'hello world; hello kitty')
print(ret)

ret = re.subn(r'(\w+) (\w+)', func, 'hello world; hello kitty')
print(ret)

# 輸出結果：
('abc###cde', 1)
('world hello; kitty hello', 2)
('hi world; hi kitty', 2)

貪婪匹配 和 非貪婪匹配

正則匹配默認使用的就是貪婪匹配，也就是盡可能的多匹配，如下示例為貪婪匹配：

import re

m = re.match('[a-z]+', 'abc123def')
print(m.group())

# 輸出結果：
abc

同一示例使用非貪婪匹配，在正則后面加上一個 '?' 即可，注意這個問號不是代表0個或者一個（注意區分）：

import re

m = re.match('[a-z]+?', 'abc123def')
print(m.group())

# 輸出結果：
a

?
貪婪匹配（單單使用 ？），？重復0個或者1個，貪婪模式下匹配一個

ret=re.findall('13\d?','1312312312, 134, 34234, 2313')
print(ret)   

# 輸出結果：
['131', '134', '13']

?
惰性匹配示例：

ret=re.findall('131\d+?','1312312312')
print(ret)   
# 輸出結果：
['1312']

正則表達式補充

轉義符 \

1、反斜杠后邊跟元字符去除特殊功能, 比如.
2、反斜杠后邊跟普通字符實現特殊功能, 比如\d

\d  匹配任何十進制數；      它相當于類 [0-9]。
\D  匹配任何非數字字符；    它相當于類 [^0-9]。
\s  匹配任何空白字符；      它相當于類 [ \t\n\r\f\v]。
\S  匹配任何非空白字符；    它相當于類 [^ \t\n\r\f\v]。
\w  匹配任何字母數字字符；   它相當于類 [a-zA-Z0-9_]。
\W  匹配任何非字母數字字符； 它相當于類 [^a-zA-Z0-9_]
\b  匹配一個特殊字符邊界，比如空格 ，&，＃等

?
讓我們看一下 \b 的應用：

ret=re.findall(r'I\b','I am LIST')
print(ret)    # ['I']

?
Tip：
如上示例中 ret=re.findall(r'I\b','I am LIST') 使用的是 r'I\b' 而不能使用 'I\b' ，解釋如下：
Python程序在這里的執行過程分為2步：

第一步：python 解釋器讀取 'I\b' 字符串進行解析，解析完成后傳遞給 re 模塊
第二步：re 模塊 對接收到的字符串進行解析

?
在第一步中，'\b' 和 '\n' 類似，對于Python解釋器而言，有特殊的意義，Python解釋器針對 '\b' 和 '\n' 會根據ASCII碼表進行翻譯，翻譯完成之后再傳遞給 re 模塊進行后續的處理；所以 re 模塊獲取到的不會是 原模原樣的 'I\b'。這里若要讓 re 模塊接收到原模原樣的 'I\b'，有兩種方式：

1）在字符串中使用 \ ，將 \b 轉義
    re.findall('I\\b','I am LIST')
2）直接在字符串前面加 r，使字符串中的 \b 失效，建議使用這種方式
    re.findall(r'I\b','I am LIST')

?
還有一種情況，要匹配的字符串本身就包含 '\' , 例如匹配 'hello\kitty' 中的 'o\k'
分析：\ 對于re 模塊而言，有轉義的意思，所以 re 模塊希望獲取到的字符串規則是 'o\k'，也就是說Python解釋器解析完字符串后傳遞給 re 模塊的是 'o\k'（如果直接使用 re.findall('o\k','hello\kitty') ，re模塊獲取到的是 'o\k'），所以這里也有兩種實現方式：

1）re.findall(r'o\\k','hello\kitty') ，建議使用這種方式
2）針對2個 \ 分別進行轉義
     re.findall('o\\\\k','hello\kitty')

也許這里會有疑問，re.findall("1\d?", "123,12345235,124234,1,abc,13") ，為何這里的\d 可以直接使用，那是因為 \d 在ASCII碼表里面沒有對應的字符串（Python解釋器對 \d 不會進行翻譯），所以可以直接使用。ASCII碼表中和 '\' 連用的特殊字符見下圖：

?

元字符之｜

｜表示 或者，使用 | 時一般需要和 括號配合使用，不然無法區分 | 的左邊與右邊

import re

ret = re.search('(ab)|\d','#@123abc')    # 匹配 ab 或者 數字，search僅會返回第一個匹配到的
print(ret.group())     # 1

字符集［］的是使用

import re

# [bc] 表示僅匹配 b 或者 c，如下示例中表示，匹配 abd 或者 acd 
ret = re.findall('a[bc]d','acd') 
print(ret)   #['acd']

# [a-zA-Z] : 所有大小寫字母
# [a-zA-Z0-9] : 所有大小寫字母及數字
# [a-zA-Z0-9_] : 所有大小寫字母及數字，再加上一個下劃線

ret = re.findall('[a-z]','acd')    # 匹配所有小寫字母
print(ret)   #['a', 'c', 'd']

# 注意：元字符在 字符集[] 中沒有任何效果，這里的 . 和 + 就是普通的符號，有效果的元字符包括：- ^ \
ret = re.findall('[.*+]','a.cd+')    
print(ret)   #['.', '+']

# - 表示范圍符號
ret = re.findall('[1-9]','45dha3')    # 匹配數字 1 至 9
print(ret)   #['4', '5', '3']

 # ^ 表示取反，即匹配 非a，非b的字符
ret = re.findall('[^ab]','45bdha3')   
print(ret)   #['4', '5', 'd', 'h', '3']

# \ 為轉義符
ret = re.findall('[\d]','45bdha3')     
print(ret)   #['4', '5', '3']

.................^_^