python内置模块re

目录
首发于：
最近更新于：
分类： posts

re模块

re模块提供了python对于正则表达式的支持，对于字符串操作，如果之前在介绍字符串类型的一些方法（比如split，replace等等），能够用它们解决问题就用它们，因为更快更简单。实在需要动用正则表达式理念才考虑使用re模块，而且你要克制写很多或者很复杂的（除非某些特殊情况）正则表达式的冲动，因为正则表达式的引入将会使得整个程序都更加难懂和不可捉摸。

更多内容请参见官方文档。

re模块中的元字符集

.

表示一行内的任意字符，如果如果通过re.compile指定re.DOTALL，则表示多行内的任意字符，即包括了换行符。此外还可以通过字符串模板在它的前面加上(?s)来获得同样的效果。

*

对之前的字符匹配或者多次。

+

对之前的字符匹配或者多次。

?

对之前的字符匹配或者。

{m}

对之前的字符匹配()m次。

{m,n}

对之前的字符匹配m次到n次，其中n次可能省略，视作默认值是无穷大。

^

表示字符串的开始，如果加上re.MULTILINE选项，则表示行首。此外字符串模板加上(?m)可以获得同样的效果。

$

表示字符串的结束，同^类似，如果加上re.MULTILINE选项，则表示行尾，可以简单理解为\n换行符。此外字符串模板加上(?m)可以获得同样的效果。$符号在re.sub函数中可以被替换为另外一个字符串，其具体效果就是原字符串尾加上了这个字符串，类似的^被替换成某个字符串，其具体效果就是原字符串头加上了这个字符串。这里显然^和$在字符串中都不是真实存在的字符，而没有这个所谓的标记，所以这种替换总给人怪怪的感觉。

[]

$$abc$$
字符组匹配一个字符，这个字符是a或者b或者c。类似的
$$a-z$$
匹配所有的小写字母，[\w]匹配任意的字母或数字，具体请看下面的特殊字符类。

|

相当于正则表达式内的匹配或逻辑。

()

圆括号包围的部分将会记忆起来，方便后面调用。这个后面在谈及。

re模块中的特殊字符类

\w  任意的字母或数字  [a-zA-Z0-9_]  (meaning word)
\W  匹配任何非字母非数字 [^a-zA-Z0-9_]
\d   [0-9]   (digit) 数字
\D  [^0-9] 非数字
\s   匹配任何空白字符   [ \t\n\r\f\v] 。
\S  匹配任何非空白字符
匹配中文:[\u4e00-\u9fa5]
\b  文档说严格的定义是\w 和\W 之间的边界，反之亦然。粗略的理解可以看作是英文单词头或者尾。

其中^在方括号[]里面，只有在最前面，才表示排除型字符组的意思。

转义问题

正则表达式的转义问题有时会比较纠结。一个简单的原则是以上谈及的有特殊作用的字符有转义问题，如果python中的字符都写成r''这种形式，也就是所谓的raw string形式，这样\n在里面就可以直接写成\n，而\section可以简单写为\\section即可，也就是\字符需要转义一次。

然后字符组的方括号内[]有些字符有时是不需要转义的，这个实在不确定就转义吧，要不就用正则表达式工具测试一下。

re模块的使用

compile方法生成regular expression object这一条线这里略过了，接下来的讨论全部基于（原始的）字符串模板。

字符串模板前面提及(?m)和(?s)的用法了，然后**(?i)**表示忽略大小写。

匹配和查找

search，match方法简单地用法就是：

re.search(字符串模板, 待匹配字符串)
re.match(pattern, string)

它们将会返回一个match object或者none，其中match object在逻辑上就是真值的意思。match对字符串的匹配是必须从一开始就精确匹配，这对于正则表达式多少0有点突兀。推荐使用search方法，如果一定要限定行首，或者字符串开始可以用前面讨论的正则表达式各个符号来表达。请看下面的例子。

import re
string = '''this is test line.
this is the second line.
today is sunday.'''

match = re.search('(?m)^today',string)

if match:
    print('所使用的正则表达式是：',match.re)
    print('所输入的字符串是：',match.string)
    print('匹配的结果是：',match.group(0))
    print('匹配的字符串index',match.span())
else:
    print('return the none value')

前面说道圆括号的部分将会记忆起来，作为匹配的结果，默认整个正则表达式所匹配的全部是group中的第0个元素，然后从左到右，子group编号依次是1，2，3......。

所使用的正则表达式是： re.compile('(?m)^today', re.MULTILINE)
所输入的字符串是： this is test line.
this is the second line.
today is sunday.
匹配的结果是： today
匹配的字符串index (44, 49)

具体这些信息是为了说明情况，实际最简单的情况可能就需要判断一下是不是真值，字符串模板是不是匹配到了即可。

分割操作

re模块的split函数可以看作字符串的split方法的升级版本，对于所描述的任何正则表达式，匹配成功之后都将成为一个分隔符，从而将原输入字符串分割开来。

请参看下面的例子并理解其做了什么工作。

import re

def zwc(string):
    #中英文常用标点符号
    lst = re.split('([\u4e00-\u9fa5\s，。；])',string)
    #去除 空白
    #去除\s 中英文常用标点符号
    lst = [i for i in lst if not  i in
    [""," ","\n","\t","\r","\f","\v","；","，","。"]]
    print(lst)

if __name__ == '__main__':
    string='''道可道，非常道。名可名，非常名。無名天地之始，有名萬物之母。
    故常無欲，以觀其妙；常有欲，以觀其徼。此兩者同出而異名，
    同謂之玄，玄之又玄，眾妙之門。 '''
    zwc(string)

替换操作

基于正则表达式的替换操作非常的有用，其实前面的search方法，再加上具体匹配字符串的索引值，然后修改原字符串，然后再search这样循环操作下去，就是一个替换操作了。re模块有sub方法来专门解决这个问题。

非最长匹配

本小节参考了 python cookbook 的 2.7 小节，比如说：

re.compile(r'"(.*)"')

这将匹配两个双引号之间的内容，其默认是最长匹配，也就是多个双引号组成的句子都会匹配进去，你可以如下要要求最短匹配：

re.compile(r'"(.*?)"')

非捕获组

看下面的正则表达式， (?:...) 这个括号的组是非捕获组，也就是不会进入 .group 里面去。

re.search(r'((?:.|\n)*)',text2)

然后默认 . 是不会匹配换行符号的，如果要引入换行符则要如上所示加上。