正则表达式
正则表达式
正则表达式（regular expression）是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串，可以匹配其自身。比如，正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。要注意的是，正则表达式并不是一个程序，而是用于处理字符串的一种模式，如果你想用它来处理字符串，就必须使用支持正则表达式的工具，比如
在\ 对特殊字符进行转义，比如，为了匹配字符串 ‘python.org’，我们需要使用正则表达式 'python\.org'，而\ 转义，所以上面的正则表达式在'python\\.org'，这会很容易陷入 \ 的困扰中，因此，我们建议使用
r'python\.org'
compile 函数match 函数search 函数findall 函数finditer 函数split 函数sub 函数subn 函数
- 使用
compile 函数将正则表达式的字符串形式编译为一个Pattern 对象 - 通过
Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果（一个Match 对象） - 最后使用
Match 对象提供的属性和方法获得信息，根据需要进行其他的操作
Pattern
compile 函数
re.compile(pattern[, flag])
其中，
import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
match 方法
match(string[, pos[, endpos]])
其中，
当匹配成功时，返回一个
看看例子。
>>> import re
>>> pattern = re.compile(r'\d+') # 用于匹配至少一个数字
>>> m = pattern.match('one12twothree34four') # 查找头部，没有匹配
>>> print m
None
>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
>>> print m
None
>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
>>> print m # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0) # 可省略 0
'12'
>>> m.start(0) # 可省略 0
3
>>> m.end(0) # 可省略 0
5
>>> m.span(0) # 可省略 0
(3, 5)
在上面，当匹配成功时返回一个
group([group1, …])方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用group()或group(0)；start([group])方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引） ，参数默认值为0 ；end([group])方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1 ） ，参数默认值为0 ；span([group])方法返回(start(group), end(group))。
再看看一个例子：
>>> import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写
>>> m = pattern.match('Hello World Wide Web')
>>> print m # 匹配成功，返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整个子串
'Hello World'
>>> m.span(0) # 返回匹配成功的整个子串的索引
(0, 11)
>>> m.group(1) # 返回第一个分组匹配成功的子串
'Hello'
>>> m.span(1) # 返回第一个分组匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二个分组匹配成功的子串
'World'
>>> m.span(2) # 返回第二个分组匹配成功的子串
(6, 11)
>>> m.groups() # 等价于 (m.group(1), m.group(2), ...)
('Hello', 'World')
>>> m.group(3) # 不存在第三个分组
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: no such group
search 方法
search(string[, pos[, endpos]])
其中，
当匹配成功时，返回一个
让我们看看例子：
>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four') # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30) # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)
再来看一个例子：
# -*- coding: utf-8 -*-
import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
m = pattern.search('hello 123456 789')
if m:
# 使用 Match 获得分组信息
print 'matching string:',m.group()
print 'position:',m.span()
执行结果：
matching string: 123456
position: (6, 12)
findall 方法
上面的
findall(string[, pos[, endpos]])
其中，
import re
pattern = re.compile(r'\d+') # 查找数字
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print result1
print result2
执行结果：
['123456', '789']
['1', '2']
finditer 方法
# -*- coding: utf-8 -*-
import re
pattern = re.compile(r'\d+')
result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)
print type(result_iter1)
print type(result_iter2)
print 'result1...'
for m1 in result_iter1: # m1 是 Match 对象
print 'matching string: {}, position: {}'.format(m1.group(), m1.span())
print 'result2...'
for m2 in result_iter2:
print 'matching string: {}, position: {}'.format(m2.group(), m2.span())
执行结果：
<type 'callable-iterator'>
<type 'callable-iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)
split 方法
split(string[, maxsplit])
其中，
import re
p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c d')
执行结果：
['a', 'b', 'c', 'd']
sub 方法
sub(repl, string[, count])
其中，
- 如果
repl 是字符串，则会使用repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用\id的形式来引用分组，但不能使用编号0 ； - 如果
repl 是函数，这个方法应当只接受一个参数（Match 对象） ，并返回一个字符串用于替换（返回的字符串中不能再引用分组） 。
import re
p = re.compile(r'(\w+) (\w+)')
s = 'hello 123, hello 456'
def func(m):
return 'hi' + ' ' + m.group(2)
print p.sub(r'hello world', s) # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
print p.sub(r'\2 \1', s) # 引用分组
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替换一次
执行结果：
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
subn 方法
subn(repl, string[, count])
它返回一个元组：
(sub(repl, string[, count]), 替换次数)
元组有两个元素，第一个元素是使用
import re
p = re.compile(r'(\w+) (\w+)')
s = 'hello 123, hello 456'
def func(m):
return 'hi' + ' ' + m.group(2)
print p.subn(r'hello world', s)
print p.subn(r'\2 \1', s)
print p.subn(func, s)
print p.subn(func, s, 1)
执行结果：
('hello world, hello world', 2)
('123 hello, 456 hello', 2)
('hi 123, hi 456', 2)
('hi 123, hello 456', 1)
其他函数
事实上，使用
match 函数
re.match(pattern, string[, flags]):
其中，\d+[a-z]+。而
match(string[, pos[, endpos]])
可以看到，
import re
m1 = re.match(r'\d+', 'One12twothree34four')
if m1:
print 'matching string:',m1.group()
else:
print 'm1 is:',m1
m2 = re.match(r'\d+', '12twothree34four')
if m2:
print 'matching string:', m2.group()
else:
print 'm2 is:',m2
执行结果：
m1 is: None
matching string: 12
search 函数
re.search(pattern, string[, flags])
findall 函数
re.findall(pattern, string[, flags])
import re
print re.findall(r'\d+', 'hello 12345 789')
# 输出
['12345', '789']
finditer 函数
re.finditer(pattern, string[, flags])
split 函数
re.split(pattern, string[, maxsplit])
sub 函数
re.sub(pattern, repl, string[, count])
subn 函数
re.subn(pattern, repl, string[, count])
到底用哪种方式
从上文可以看到，使用
- 使用
re.compile 函数生成一个Pattern 对象，然后使用Pattern 对象的一系列方法对文本进行匹配查找； - 直接使用
re.match, re.search 和re.findall 等函数直接对文本匹配查找；
下面，我们用一个例子展示这两种方法。先看第
import re
# 将正则表达式先编译成 Pattern 对象
pattern = re.compile(r'\d+')
print pattern.match('123, 123')
print pattern.search('234, 234')
print pattern.findall('345, 345')
再看第
import re
print re.match(r'\d+', '123, 123')
print re.search(r'\d+', '234, 234')
print re.findall(r'\d+', '345, 345')
如果一个正则表达式需要用到多次（比如上面的 \d+
匹配中文
在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的[\u4e00-\u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：
# -*- coding: utf-8 -*-
import re
title = u'你好，hello，世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print result
注意到，我们在正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是
执行结果
[u'\u4f60\u597d', u'\u4e16\u754c']
贪婪匹配
在div 块：
import re
content = 'aa<div>test1</div>bb<div>test2</div>cc'
pattern = re.compile(r'<div>.*</div>')
result = pattern.findall(content)
print result
执行结果：
['<div>test1</div>bb<div>test2</div>']
由于正则匹配是贪婪匹配，也就是尽可能多的匹配，因此，在成功匹配到第一个
import re
content = 'aa<div>test1</div>bb<div>test2</div>cc'
pattern = re.compile(r'<div>.*?</div>') # 加上 ?
result = pattern.findall(content)
print result
结果：
['<div>test1</div>', '<div>test2</div>']