Python正則表達式指南

1. 正則表達式基礎

1.1. 簡單介紹

正則表達式並不是Python的一部分。正則表達式是用於處理字元串的強大工具，擁有自己獨特的語法以及一個獨立的處理引擎，效率上可能不如str自帶的方法，但功能十分強大。得益於這一點，在提供了正則表達式的語言里，正則表達式的語法都是一樣的，區別隻在於不同的編程語言實現支持的語法數量不同；但不用擔心，不被支持的語法通常是不常用的部分。如果已經在其他語言里使用過正則表達式，只需要簡單看一看就可以上手了。

下圖展示了使用正則表達式進行匹配的流程： 

正則表達式的大致匹配過程是：依次拿出表達式和文本中的字元比較，如果每一個字元都能匹配，則匹配成功；一旦有匹配不成功的字元則匹配失敗。如果表達式中有量詞或邊界，這個過程會稍微有一些不同，但也是很好理解的，看下圖中的示例以及自己多使用幾次就能明白。

下圖列出了Python支持的正則表達式元字元和語法：   

1.2. 數量詞的貪婪模式與非貪婪模式

正則表達式通常用於在文本中查找匹配的字元串。Python里數量詞預設是貪婪的（在少數語言里也可能是預設非貪婪），總是嘗試匹配儘可能多的字元；非貪婪的則相反，總是嘗試匹配儘可能少的字元。例如：正則表達式"ab*"如果用於查找"abbbc"，將找到"abbb"。而如果使用非貪婪的數量詞"ab*?"，將找到"a"。

1.3. 反斜杠的困擾

與大多數編程語言相同，正則表達式里使用"\"作為轉義字元，這就可能造成反斜杠困擾。假如你需要匹配文本中的字元"\"，那麼使用編程語言表示的正則表達式里將需要4個反斜杠"\\\\"：前兩個和後兩個分別用於在編程語言里轉義成反斜杠，轉換成兩個反斜杠後再在正則表達式里轉義成一個反斜杠。Python里的原生字元串很好地解決了這個問題，這個例子中的正則表達式可以使用r"\\"表示。同樣，匹配一個數字的"\\d"可以寫成r"\d"。有了原生字元串，你再也不用擔心是不是漏寫了反斜杠，寫出來的表達式也更直觀。

1.4. 匹配模式

正則表達式提供了一些可用的匹配模式，比如忽略大小寫、多行匹配等，這部分內容將在Pattern類的工廠方法re.compile(pattern[, flags])中一起介紹。

2. re模塊

2.1. 開始使用re

Python通過re模塊提供對正則表達式的支持。使用re的一般步驟是先將正則表達式的字元串形式編譯為Pattern實例，然後使用Pattern實例處理文本並獲得匹配結果（一個Match實例），最後使用Match實例獲得信息，進行其他的操作。

re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法，用於將字元串形式的正則表達式編譯為Pattern對象。 第二個參數flag是匹配模式，取值可以使用按位或運算符'|'表示同時生效，比如re.I | re.M。另外，你也可以在regex字元串中指定模式，比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。 
可選值有：

• re.I(re.IGNORECASE): 忽略大小寫（括弧內是完整寫法，下同）
• M(MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
• S(DOTALL): 點任意匹配模式，改變'.'的行為
• L(LOCALE): 使預定字元類 \w \W \b \B \s \S 取決於當前區域設定
• U(UNICODE): 使預定字元類 \w \W \b \B \s \S \d \D 取決於unicode定義的字元屬性
• X(VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字元，並可以加入註釋。以下兩個正則表達式是等價的：

re提供了眾多模塊方法用於完成正則表達式的功能。這些方法可以使用Pattern實例的相應方法替代，唯一的好處是少寫一行re.compile()代碼，但同時也無法復用編譯後的Pattern對象。這些方法將在Pattern類的實例方法部分一起介紹。如上面這個例子可以簡寫為：

re模塊還提供了一個方法escape(string)，用於將string中的正則表達式元字元如*/+/?等之前加上轉義符再返回，在需要大量匹配元字元時有那麼一點用。

2.2. Match

Match對象是一次匹配的結果，包含了很多關於此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：

1. string: 匹配時使用的文本。
2. re: 匹配時使用的Pattern對象。
3. pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
4. endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
5. lastindex: 最後一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
6. lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。

方法：

1. group([group1, …]): 
   獲得一個或多個分組截獲的字元串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字元串的組返回None；截獲了多次的組返回最後一次截獲的子串。
2. groups([default]): 
   以元組形式返回全部分組截獲的字元串。相當於調用group(1,2,…last)。default表示沒有截獲字元串的組以這個值替代，預設為None。
3. groupdict([default]): 
   返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
4. start([group]): 
   返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group預設值為0。
5. end([group]): 
   返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group預設值為0。
6. span([group]): 
   返回(start(group), end(group))。
7. expand(template): 
   將匹配到的分組代入template中然後返回。template中可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認為是第10個分組，如果你想表達\1之後是字元'0'，只能使用\g<1>0。

2.3. Pattern

Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。

Pattern不能直接實例化，必須使用re.compile()進行構造。

Pattern提供了幾個可讀屬性用於獲取表達式的相關信息：

1. pattern: 編譯時用的表達式字元串。
2. flags: 編譯時用的匹配模式。數字形式。
3. groups: 表達式中分組的數量。
4. groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。

實例方法[ | re模塊方法]：

1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 
   這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
   pos和endpos的預設值分別為0和len(string)；re.match()無法指定這兩個參數，參數flags用於編譯pattern時指定匹配模式。 
   註意：這個方法並不是完全匹配。當pattern結束時若string還有剩餘字元，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符'$'。 
   示例參見2.1小節。
2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
   這個方法用於查找字元串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1後重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。 
   pos和endpos的預設值分別為0和len(string))；re.search()無法指定這兩個參數，參數flags用於編譯pattern時指定匹配模式。 
   

   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

   # encoding: UTF-8 import re   # 將正則表達式編譯成Pattern對象 pattern = re.compile(r'world')   # 使用search()查找匹配的子串，不存在能匹配的子串時將返回None # 這個例子中使用match()無法成功匹配 match = pattern.search('hello world!')   if match:     # 使用Match獲得分組信息     print match.group()   ### 輸出 ### # world

3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 
   按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。 
   

   1 2 3 4 5 6 7

   import re   p = re.compile(r'\d+') print p.split('one1two2three3four4')   ### output ### # ['one', 'two', 'three', 'four', '']

4. 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。 
   

   1 2 3 4 5 6 7

   import re   p = re.compile(r'\d+') print p.findall('one1two2three3four4')   ### output ### # ['1', '2', '3', '4']

5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 
   搜索string，返回一個順序訪問每一個匹配結果（Match對象）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'):     print m.group(),   ### output ### # 1 2 3 4

6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 
   使用repl替換string中每一個匹配的子串後返回替換後的字元串。 
   當repl是一個字元串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。 
   當repl是一個方法時，這個方法應當只接受一個參數（Match對象），並返回一個字元串用於替換（返回的字元串中不能再引用分組）。 
   count用於指定最多替換次數，不指定時全部替換。 
   

   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):     return m.group(1).title() + ' ' + m.group(2).title()   print p.sub(func, s)   ### output ### # say i, world hello! # I Say, Hello World!

7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 
   返回 (sub(repl, string[, count]), 替換次數)。 
   

   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):     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)

以上就是Python對於正則表達式的支持。熟練掌握正則表達式是每一個程式員必須具備的技能，這年頭沒有不與字元串打交道的程式了。筆者也處於初級階段，與君共勉，^_^

另外，圖中的特殊構造部分沒有舉出例子，用到這些的正則表達式是具有一定難度的。有興趣可以思考一下，如何匹配不是以abc開頭的單詞，^_^