Python入门篇之正则表达式

 正则表达式有两种基本的操作，分别是匹配和替换。

匹配就是在一个文本字符串中搜索匹配一特殊表达式；

替换就是在一个字符串中查找并替换匹配一特殊表达式的字符串。
 
1.基本元素
 
正则表达式定义了一系列的特殊字符元素以执行匹配动作。

正则表达式基本字符

字符	描述
text	匹配text字符串
.	匹配除换行符之外的任意一个单个字符
^	匹配一个字符串的开头
$	匹配一个字符串的末尾

在正则表达式中，我们还可用匹配限定符来约束匹配的次数。
 
匹配限定符

最大匹配	最小匹配	描述
*	*	重复匹配前表达式零次或多次
+	+	重复匹配前表达式一次或多次
		重复匹配前表达式零次或一次
{m}	{m}	精确重复匹配前表达式m次
{m,}	{m,}	至少重复匹配前表达式m次
{m,n}	{m,n}	至少重复匹配前表达式m次，至多重复匹配前表达式n次

据上所述，".*"为最大匹配，能匹配源字符串所有能匹配的字符串。".* "为最小匹配，只匹配第一次出现的字符串。如：d.*g能匹配任意以d开头，以g结尾的字符串，如"debug"和"debugging"，甚至"dog is walking"。而d.* g只能匹配"debug"，在"dog is walking"字符串中，则只匹配到"dog "。
 
在一些更复杂的匹配中，我们可用到组和运算符。
 
组和运算符

组	描述
[...]	匹配集合内的字符，如[a-z],[1-9]或[,./;']
[^...]	匹配除集合外的所有字符，相当于取反操作
a|b	匹配表达式a或b，相当于or操作
(...)	表达式分组，每对括号为一组，如([a-b]+)([a-z]+)([1-9]+)
\number	匹配在number表达式组内的文本

有一组特殊的字符序列，用来匹配具体的字符类型或字符环境。如\b匹配字符边界，food\b匹配"food"、"zoofood"，而和"foodies"不匹配。
 
特殊字符序列

字符	描述
\a	只匹配字符串的开始
\b	匹配一个单词边界
\b	匹配一个单词的非边界
\d	匹配任意十进制数字字符，等价于r'[0-9]'
\d	匹配任意非十进制数字字符，等价于r'[^0-9]'
\s	匹配任意空格字符（空格符、tab制表符、换行符、回车、换页符、垂直线符号）
\s	匹配任意非空格字符
\w	匹配任意字母数字字符
\w	匹配任意非字母数字字符
\z	仅匹配字符串的尾部
\\	匹配反斜线字符

有一套声明(assertion)对具体事件进行声明。
 
正则表达式声明

声明	描述
( ilmsux)	匹配空字符串，ilmsux字符对应下表的正则表达式修饰符。
( :...)	匹配圆括号内定义的表达式，但不填充字符组表。
( p<name>)	匹配圆括号内定义的表达式，但匹配的表达式还可用作name标识的符号组。
( p=name)	匹配所有与前面命名的字符组相匹配的文本。
( #...)	引入注释，忽略圆括号内的内容。
( =...)	如果所提供的文本与下一个正则表达式元素匹配，这之间没有多余的文本就匹配。这允许在一个表达式中进行超前操作，而不影响正则表达式其余部分的分析。如"martin"其后紧跟"brown"，则"martin( =brown)"就只与"martin"匹配。
( !...)	仅当指定表达式与下一个正则表达式元素不匹配时匹配，是( =...)的反操作。
( <=...)	如果字符串当前位置的前缀字符串是给定文本，就匹配，整个表达式就在当前位置终止。如( <=abc)def表达式与"abcdef"匹配。这种匹配是对前缀字符数量的精确匹配。
( <!...)	如果字符串当前位置的前缀字符串不是给定的正文，就匹配，是( <=...)的反操作。

正则表达式还支持一些处理标志，它会影响正则式的执行方法。
 
处理标志

标志	描述
i或ignorecase	忽略表达式的大小写来匹配文本。

2.操作
 

通过re模块，我们就可在python中利用正则式对字符串进行搜索、抽取和替换操作。如：re.search()函数能执行一个基本的搜索操作，它能返回一个matchobject对象。re.findall()函数能返回匹配列表。
 

>>> import re
>>> a="this is my re module test"
>>> obj = re.search(r'.*is',a)
>>> print obj
<_sre.sre_match object at 0xb7d7a218>
>>> obj.group()
'this is'
>>> re.findall(r'.*is',a)
['this is']

matchobject对象方法

方法	描述
expand(template)	展开模板中用反斜线定义的内容。
m.group([group,...])	返回匹配的文本，是个元组。此文本是与给定group或由其索引数字定义的组匹配的文本，如果没有组定组名，则返回所有匹配项。
m.groups([default])	返回一个元组，该元组包含模式中与所有组匹配的文本。如果给出default参数，default参数值就是与给定表达式不匹配的组的返回值。default参数的默认取值为none。
m.groupdict([default])	返回一个字典，该字典包含匹配的所有子组。如果给出default参数，其值就是那些不匹配组的返回值。default参数的默认取值为none。
m.start([group])	返回指定group的开始位置，或返回全部匹配的开始位置。
m.end([group])	返回指定group的结束位置，或返回全部匹配的结束位置。
m.span([group])	返回两元素组，此元组等价于关于一给定组或一个完整匹配表达式的(m.start(group),m.end(group)))列表
m.pos	传递给match()或search()函数的pos值。
m.endpos	传递给match()或search()函数的endpos值。
m.lastindex
m.lastgroup
m.re	创建这个matchobject对象的正则式对象
m.string	提供给match()或search()函数的字符串。

使用sub()或subn()函数可在字符串上执行替换操作。sub()函数的基本格式如下：
 sub(pattern,replace,string[,count])
 
示例

 

>>> str = 'the dog on my bed'
>>> rep = re.sub('dog','cat',str)
>>> print rep
the cat on my bed

replace参数可接受函数。要获得替换的次数，可使用subn()函数。subn()函数返回一个元组，此元组包含替换了的文本和替换的次数。
 
如果需用同一个正则式进行多次匹配操作，我们可把正则式编译成内部语言，提高处理速度。编译正则式用compile()函数来实现。compile()函数的基本格式如下：
 compile(str[,flags])
 
str表示需编译的正则式串，flags是修饰标志符。正则式被编译后生成一个对象，该对象有多种方法和属性。
 
正则式对象方法/属性

方法/属性	描述
r.search(string[,pos[,endpos]])	同search()函数，但此函数允许指定搜索的起点和终点
r.match(string[,pos[,endpos]])	同match()函数，但此函数允许指定搜索的起点和终点
r.split(string[,max])	同split()函数
r.findall(string)	同findall()函数
r.sub(replace,string[,count])	同sub()函数
r.subn(replace,string[,count])	同subn()函数
r.flags	创建对象时定义的标志
r.groupindex	将r'( pid)'定义的符号组名字映射为组序号的字典
r.pattern	在创建对象时使用的模式

转义字符串用re.escape()函数。
 
通过getattr获取对象引用
 

>>> li=['a','b']
>>> getattr(li,'append')
>>> getattr(li,'append')('c')          #相当于li.append('c')
>>> li
['a', 'b', 'c']
>>> handler=getattr(li,'append',none)
>>> handler
<built-in method append of list object at 0xb7d4a52c>
>>> handler('cc')                      #相当于li.append('cc')
>>> li
['a','b','c','cc']
>>>result = handler('bb')
>>>li
['a','b','c','cc','bb']
>>>print result
none