Python 正则表达式

处理复杂的文本的时候， 使用 正则表达式 能够很大程度上减轻我们的工作量。

这篇博客的主要内容是针对 Python 的正则表达式模块 re 的理解和使用， 有关正则表达式语法的内容可以查看 正则表达式.

本篇博客未列举出来的内容可查阅 官方文档 进行了解.

为了更好的理解 re 模块的使用， 我们首先将 re 模块涉及到的 三个对象 列举出来：

• 模块对象: 模块对象指的就是 re 模块本身。
• 正则表达式对象: 通常为调用 re.compile 编译正则表达式模式后返回的对象。
• 正则表达式匹配对象: 通常为调用 re.match 或 re.search 后返回的对象。

将 三个对象 列举出来的原因是需要 分清楚 我们调用的 方法 或 函数 到底是属于那一个对象。

我就在错误的对象身上调用过的正确的方法并得到了合适一个异常。

首先， 模块对象 和 正则表达式对象 的方法基本相同， 一定程度上， 模块对象 的是对 正则表达式对象 的一层封装。

然后， 正则表达式匹配对象 的对象和另外两者的区别很大， 使用的时候需要分清楚。

由于 模块对象 和 正则表达式 对象的使用十分接近， 就把两者的内容放在一起了。

re.compile(pattern, flags=0)

这个方法只适用于 模块对象, 使用任何可选的 flag 来编译正则表达式模式，并返回一个 正则表达式对象.

多个标记可以通过按位或操作符 | 合并.

详细的 flags 可以参考官方文档： Module Contents

match(pattern, string, flags=0)

尝试从字符串的 起始部分 对模式进行匹配， 如果匹配成功就返回一个 匹配对象, 匹配失败返回 None.

注意: 是从起始部分进行匹配。

search(pattern, string, flags=0)

这个方法的工作方式和 match 基本相同， 不同之处在于 search 会在字符串的 任意位置 尝试对模式进行匹配。 匹配成功返回 匹配对象, 匹配失败返回 None.

注意: 是任意位置进行匹配。

findall(pattern, string, [,flags])

这个方法查找字符串中 所有 非重复出现的正则表达式模式， 并返回一个列表。 如果没有匹配到的话就返回一个 空的 列表。

需要注意的一种情况是匹配模式的 分组多于 1 的时候的匹配结果：

In [2]: re.findall(r'\w+', 're: Regular expression operations')
Out[2]: ['re', 'Regular', 'expression', 'operations']

In [3]: re.findall(r'(\w+)', 're: Regular expression operations')
Out[3]: ['re', 'Regular', 'expression', 'operations']

In [5]: re.findall(r'(\w+).(\w+)', 're: Regular expression operations')
Out[5]: [('Regular', 'expression'), ('operatio', 's')]

上面三个语句分别对应分组为 0, 1, 2 时的执行情况.

分组为 0 或 1 时， 返回的 列表 中的元素都是匹配的 字符串.

当分组为 2 时， 返回的 列表 中的元素就变为了 元组.

元组 内的元素的顺序对应每个 组 的匹配结果。

In [6]: re.findall(r'(\w+(\w))', 're: Regular expression operations')
Out[6]: [('re', 'e'), ('Regular', 'r'), ('expression', 'n'), ('operations', 's')]

对于匹配模式 (\w+(\w)) 来说， (\w+(\w)) 是分组 1, 而 (\w) 是分组 2.

finditer(pattern, string, [,flags])

与 findall 相同， 只不过返回的是一个 迭代器, 而不是 列表.

split(pattern, string, max=0)

参考 sstr.split, 作用是类似的。 只不过分割字符串的参考依据由单个字符变为了 匹配模式.

可以通过 max 指定最大分割次数：

In [13]: re.split(r'\w\s\w', 'Hello World !')
Out[13]: ['Hell', 'orld !']

sub(pattern, repl, string, count=0)

使用 repl 替换 string 中出现的和 pattern 相匹配的字符串， 通过 count 指定替换次数， 默认为替换所有。

注: repl 中可以使用 回溯引用.

In [18]: re.sub(r'\w+?(T)\w', r'\1', 'asdTgdfTdgfhTdsfgTf')
Out[18]: 'TTTT'

PS: 如无特殊说明， 那么该方法同时适用于 模块对象 和 正则表达式对象.

匹配对象 通常为 re.match 或 re.search 返回的对象。

在涉及 匹配对象 的方法之前， 需要了解的一个东西是 正则表达式的分组.

通常， 我们可以在 匹配模式 中使用 () 来定义 元组(子组). 这些 元组 会根据定义的顺序被设置一个 编号.

这个 编号 被用来代表那个 分组, 正则表达式中的 回溯引用 等也会用到那个编号。

首先， 最基本的一点是： 整个匹配模式的编号是 0.

对于剩下的分组， 可以通过网站 JavaScript Regular Expression Visualizer. 进行可视化分析.

虽然是 JavaScript 的正则表达式， 但是道理是通的.

比如： ^(\w+)\s+(\w{3}(\w{2}))+$ 的分组可以表示为：

明白了分组的概念， 再来理解 匹配对象 的方法就容易很多了：

group(num=0)

返回整个匹配对象或编号为 num 的特定子组

groups(default=None)

返回一个包含所有匹配子组的元组

groupdict(default=None)

返回一个包含所有匹配的 命名子组 (Python 语法扩展) 的字典，所有的子组名作为字典的键。

需要注意的是， 如果 re.match 或 re.search 的匹配不成功， 那么返回的结果就是 None, 而不是 匹配对象.

Python 对正则表达式的语法做了一些扩展：

适当程度上的使用 扩展语法 可以节约一定的工作量。

原始字符串:

在正则表达式中， \ 是转义字符。

在 Python 中， \ 也是转义字符。

这时， 如果不使用原始字符串， 那么匹配模式中的 \ 就需要写为 \\.

如果要匹配 \, 那么匹配模式就成了 \\\\.

这样十分影响匹配模式的阅读理解， 还容易出错。

此时， 使用原始字符串解决这一问题：

r'string'  # 在字符串前面加上 r 即可

• Python正则表达式指南
• re — Regular expression operations