Python正则表达式之re

re模块是python下用于正则表达式处理的模块，本文主要基于re --- 正则表达式操作文档，熟悉re模块的使用。

正则表达式

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

字符组

在同一个位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示:
| 正则表达式 | 待匹配字符 | 结果 | 说明 |
| ---- | ---- | ---- | ---- |
|[0-9] | -1 | False | [0-9]等同于[0123456789]|
|[^0-9] | a | False | 匹配非数字 |
|[0-9a-fA-F] |e |True |匹配数字，大小写形式的a～f，用来验证十六进制字符|

字符

量词

A|B

A 和 B 可以是任意正则表达式，创建一个正则表达式，匹配 A 或者 B. 任意个正则表达式可以用 '|' 连接。它也可以在组合（见下列）内使用。扫描目标字符串时， '|' 分隔开的正则样式从左到右进行匹配。当一个样式完全匹配时，这个分支就被接受。意思就是，一旦 A 匹配成功， B 就不再进行匹配，即便它能产生一个更好的匹配。或者说，'|' 操作符绝不贪婪。 如果要匹配 '|' 字符，使用 |， 或者把它包含在字符集里，比如 [|].

组合 ()

匹配括号内的任意正则表达式，并标识出组合的开始和结尾。匹配完成后，组合的内容可以被获取，并可以在之后用 \number 转义序列进行再次匹配。

我们以身份证来举例，先匹配[1-9]\d{16}[0-9x]如果没有匹配上就匹配[1-9]\d{14}：

^([1-9]\d{16}[0-9x]|[1-9]\d{14})$

代码：

import re

print(re.findall('^([1-9]\d{16}[0-9x]|[1-9]\d{14})$', '110105199812067023'))

常用正则表达式实例

* ,+ , ? 等都是贪婪匹配，即尽可能匹配最长的字符串；后面加?号使其变成惰性匹配，即匹配最短字符串

代码：

import re

print(re.findall('a.', 'abacad'))
print(re.findall('^a.', 'abacad'))
print(re.findall('a.$', 'abacad'))
print(re.findall('a.?', 'abacad'))
print(re.findall('a.*', 'abacad'))
print(re.findall('a.+', 'abacad'))
print(re.findall('a.{1,2}', 'abacad'))
print(re.findall('a.*?', 'abacad'))
print(re.findall('a.+?', 'abacad'))

几个常用的非贪婪匹配Pattern:

*? 重复任意次，但尽可能少重复
+? 重复1次或更多次，但尽可能少重复
?? 重复0次或1次，但尽可能少重复
{n,m}? 重复n到m次，但尽可能少重复
{n,}? 重复n次以上，但尽可能少重复

re模块的使用

匹配模式

• re.I 忽略大小写
• re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
• re.M 多行模式
• re.S 即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
• re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
• re.X 为了增加可读性，忽略空格和 # 后面的注释

主要方法

• re.compile: 编译一个正则表达式模式(pattern)
• re.match: 从头开始匹配, 使用group()方法可以获取第一个匹配值
• re.search: 用包含方式匹配，使用group()方法可以获取第一个匹配值
• re.findall: 用包含方式匹配，把所有匹配到的字符放到以列表中的元素返回多个匹配值
• re.sub: 匹配字符并替换
• re.split: 以匹配到的字符当做列表分隔符，返回列表

re.compile

>>> import re
>>> email_pattern = re.compile(r'^[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+){0,4}
@[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+){0,4}$')
>>> re.match(email_pattern, 'django@pyghon.org')
<_sre.SRE_Match object; span=(0, 17), match='django@pyghon.org'>

search() vs. match()

Python 提供了两种不同的操作：基于 re.match() 检查字符串开头，或者 re.search() 检查字符串的任意位置。
例如：

>>> re.match("c", "abcdef")    # No match
>>> re.search("c", "abcdef")   # Match
<re.Match object; span=(2, 3), match='c'>

在 search() 中，可以用 '^' 作为开始来限制匹配到字符串的首位

>>> re.match("c", "abcdef")    # No match
>>> re.search("^c", "abcdef")  # No match
>>> re.search("^a", "abcdef")  # Match
<re.Match object; span=(0, 1), match='a'>

注意 MULTILINE 多行模式中函数 match() 只匹配字符串的开始，但使用 search() 和以 '^' 开始的正则表达式会匹配每行的开始:

>>> re.match('X', 'A\nB\nX', re.MULTILINE)  # No match
>>> re.search('^X', 'A\nB\nX', re.MULTILINE)  # Match
<re.Match object; span=(4, 5), match='X'>

re.findall

>>> year_pattern = re.compile(r'\d{4}$') # 四位整数，匹配年份
>>> string1 = '我爱1998和1999年'
year_pattern.findall(string1)
['1998', '1999']

re.sub

>>> year_pattern = re.compile(r'\d{4}$') # 四位整数，匹配年份
>>> string1 = '我爱1998和1999年'
>>> replaced_str = re.sub(year_pattern, '****', string1)
>>> print(replaced_str)
我爱****和****年

re.split

>>> string1 = "1cat2dogs3cats4"
>>> import re
>>> list1 = re.split(r'\d+', string1)
>>> print(list1)
['', 'cat', 'dogs', 'cats', '']