python中对正则表达式re包的简单引用方式

对正则表达式re包的简单引用

正则表达式一直是被我所忽略的东西，因为在之前的学习和开发中基本很少用到它。而且，之前学习正则表达式时感觉很懵逼，所以毅然决然的放弃了（qaq），然而出来混总归还是要还的。最近在弄日志处理时，必须用到正则表达式，这就让我不得不拿起正则表达式了。在此记录一些自己学习的笔记与案例。

在python中导入re包

import re  

一、re.match(pattern,string,flags=0)

尝试从字符串 开始 位置（看清楚，开始位置！！！）匹配一个模式。成功则返回一个match对象，失败则是none

参数说明：

• pattern：正则表达式
• string：字符串
• flags：可选标志位

注：可选标志在下面简单说明

获取对象的方法：

使用group(num)  来获取对象小组内的内容。

举例：

#_*_coding:utf8_*_
import re 
str1='010-011-110'
pattern = r'\d{3}-\d{3}-\d{3}'
match = re.match(pattern,str1)
print match.group()
print match.group(0)
print match.group(1)
print match.group(2)
print match.group(3)
 
#输出为:
010-011-110
010-011-110
010
011
110

match()方法最重要的一点就是它是从字符串开始匹配的，切记这一点······我已经在这点上犯了很多错误了。

在写简单的正则表达式的时候我们可以用（）来进行分组，以便于我们在后续处理中取值。后续也会谈到通过命名捕获的方式来取值。

二、re.search(pattern，string，flags=0)

跟match函数参数一样，它也是用来匹配字符串的。而最大的不同在于它可以从字符串的任意位置匹配，不像match一样，仅限于从字符串开始位置。参数跟match一样，就不做说明了，直接上例子。

#与match例子不同，001前面有很多空格
str1='    001-010-110'
#与match中的模式一样
pattern = r'\d{3}-\d{3}-\d{3}'
#若此时用match（）函数，结果肯定是不匹配的。
search = re.search(pattern,str1)
print search.group()
print search.group(0)
print search.group(1)
print search.group(2)
print search.group(3)
 
#结果：
001-010-110
001-010-110
001
010
110

对于match和search，还是得说一遍，注意一个必须是从字符串开始处匹配，一个是任意位置。

三、检索和替换 re.sub()

用于替换字符串中的匹配项

re.sub(pattern,repl,string,count，flags)

参数说明：

• pattern：正则表达式
• repl：替换的字符串，可为一个函数
• string：要被查找的原始字符串
• count：被替换的次数，默认替换所有匹配项
• flags：标志位      

#_*_coding:utf-8_*_
import re 
phone = "888-7777-6666 #好牛的号码
#删除字符串中的注释
num = re.sub(r'#.*','',phone)
print num
#删除注释和-
realphone = re.sub(r'\d','',phone)
print realphone
#结果为:
888-7777-6666
88877776666

sub函数理解起来不难，但要主要的是在repl参数的使用。repl可以为一个函数。例如：

将字符串中的数字乘以二

def double(match):
    value = int(match.group('value'))
    return str(value*2)
s='apple23efg567'
print re.sub(r'(?p<value>\d+)',double,s)
 
#结果为：
 apple46efg1134

因为repl为一个函数，所以再替换的时候会替换为函数的返回值。

注：?p<value>为正则表达式的命名捕获，在下面将会做简单记录

四、正则表达式之命名捕获

格式为： ?p<name>

在处理字符串取值时往往会用到

例子：

num = '001-010-110'
pattern = r'(\d{3})-(\d{3})-(\d{3})'
match = re.match(pattern,num)
print match.group()       #001-010-110
print match.group(1)      #001
print match.group(2)      #010
print match.group(3)      #110

在上述例子要分别获取每项的值就要使用group（num），而当正则表达式变得复杂的时候，再用num取值时，很有可能会取到错误的值。所以就提出使用命名捕获，下面为简单例子：

pattern = r'(?p<area>\d{3})-(?p<zhong>\d{3})-(?p<wei>\d{3})'
match = re.match(patter, num)
 
print match.group('area')     #001
print match.group('zhong')    #010
print match/group('wei')      #110

虽然在上述例子中使用命名捕获会将降低正则表达式的可读性，但命名捕获咋复杂的正则中，会准确获取想要的值（当然，正则肯定得写准确啊·····）

re库的正确使用姿势

前提假设：

• 已经充分掌握pcre风格正则表达式
• 熟读re库文档

why

正则表达式的强大已不用我赘述，python 对此的支持也是十分强大，只不过：

re.search(pattern, string, flags=0)
re.match(pattern, string, flags=0)
......

你能很麻利地使用如上所示的一系列模块级别function 吗，如果你天天用 python 搞正则匹配，相信你一定很熟练。但是如果你需要每次临时翻阅文档才能知道如何使用它，那么就要思考：是不是 api 在某种程度上设计不好了（有的语言的 pattern 极有可能不是放在首位）。

一般来说，api 的接口参数越少越好，最好的就是没有参数，调用者无脑调用，没有任何记忆负担。而 python 的 re 库，在我看来，应该至少糅合了「命令式」与「oop」两种风格，而且接口也不「最小化，正交」。

使用姿势

正确的姿势应该是：只用 oop 风格，并且完全忘记 re 库提供的一系列模块级别的 function （如 re.search, re.match等）。

首先是每次都构造出 regex 对象，然后由 regex 对象得出 match 对象，然后在 regex 对象和 match 对象上进行一系列操作。比如：

# 1. 构造
    regex = re.compile($pattern, flags)     flags是re模块的常量
 
# 2. 获取 matchobject
    m = regex.search(string)
   
# 3. 后续 matchobject 的使用
    1. 获取分组  group()    
    2. groups
    3. groupdict()

应用举例

比如我在自己构造的 pathutils 中，就是如此使用的（我非常喜欢各种各样的 utils ）：

from __future__ import (absolute_import, unicode_literals) 
import re 
class pathutils(object):
    """路径操作的工具函数"""
 
    _linux_root = '/'
    _linux_path_splitor = '/'
 
    @classmethod
    def is_two_linux_path_contains(cls, path1, path2):
        """两个linux路径是否存在互相包含关系"""
 
        if path1 == cls._linux_root or path2 == cls._linux_root:
            return true
 
        path1_split = path1.split(cls._linux_path_splitor)
        path2_split = path2.split(cls._linux_path_splitor)
 
        for item1, item2 in zip(path1_split, path2_split):
            if item1 != item2:
                return false 
        return true
 
    @classmethod
    def is_valid_linux_path(cls, path):
        if not path:
            return false
 
        linux_path_regex = r'^(/[^/ ]*)+/?$' 
        return cls.is_valid_pattern(path, linux_path_regex)
 
    @classmethod
    def is_valid_windows_path(cls, path):
        if not path:
            return false
 
        windows_path_regex = r'^[a-za-z]:\\(((?![<>:"/\\|?*]).)+((?<![ .])\\)?)*$' 
        return cls.is_valid_pattern(path, windows_path_regex)
 
    @classmethod
    def is_valid_path(cls, p):
        if not p:
            return false
 
        return cls.is_valid_linux_path(p) or cls.is_valid_windows_path(p)
 
    @classmethod
    def is_valid_pattern(cls, value, pattern):
        if not value:
            return false
 
        regex = re.compile(pattern, re.unicode) 
        m = regex.match(value) 
        return true if m else false

主要的功能函数就是：

@classmethod
def is_valid_pattern(cls, value, pattern):
    if not value:
        return false 
    regex = re.compile(pattern, re.unicode) 
    m = regex.match(value) 
    return true if m else false

这样一系列流程下来，我的感受就是，re 库的接口没有需要记忆，也没有需要临时翻阅文档的地方，并且我只用这一种风格（自己熟悉的，效率总是最高的），比如 re.compile肯定只需要传一个参数(flags不是必要的)，regex_obj.match/search肯定只需要传need_search_string即可。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。