PythonRegex介紹

注意：本文基於Python2.4完成；如果看到不明白的詞彙請記得百度Google或維基，whatever。

1. Regex基礎
1.1. 簡單介紹

Regex並不是Python的一部分。Regex是用於處理字串的強大工具，擁有自己獨特的文法以及一個獨立的處理引擎，效率上可能不如str內建的方法，但功能十分強大。得益於這一點，在提供了Regex的語言裡，Regex的文法都是一樣的，區別只在於不同的程式設計語言實現支援的文法數量不同；但不用擔心，不被支援的文法通常是不常用的部分。如果已經在其他語言裡使用過Regex，只需要簡單看一看就可以上手了。

展示了使用Regex進行匹配的流程：

Regex的大致匹配過程是：依次拿出運算式和文本中的字元比較，如果每一個字元都能匹配，則匹配成功；一旦有匹配不成功的字元則匹配失敗。如果運算式中有量詞或邊界，這個過程會稍微有一些不同，但也是很好理解的，看中的樣本以及自己多使用幾次就能明白。

列出了Python支援的Regex元字元和文法：

1.2. 數量詞的貪婪模式與非貪婪模式

Regex通常用於在文本中尋找匹配的字串。Python裡數量詞預設是貪婪的（在少數語言裡也可能是預設非貪婪），總是嘗試匹配儘可能多的字元；非貪婪的則相反，總是嘗試匹配儘可能少的字元。例如：Regex"ab*"如果用於尋找"abbbc"，將找到"abbb"。而如果使用非貪婪的數量詞"ab*?"，將找到"a"。

1.3. 反斜線的困擾

與大多數程式設計語言相同，Regex裡使用"\"作為逸出字元，這就可能造成反斜線困擾。假如你需要匹配文本中的字元"\"，那麼使用程式設計語言表示的Regex裡將需要4個反斜線"\\\\"：前兩個和後兩個分別用於在程式設計語言裡轉義成反斜線，轉換成兩個反斜線後再在Regex裡轉義成一個反斜線。Python裡的原生字串很好地解決了這個問題，這個例子中的Regex可以使用r"\\"表示。同樣，匹配一個數位"\\d"可以寫成r"\d"。有了原生字串，你再也不用擔心是不是漏寫了反斜線，寫出來的運算式也更直觀。

1.4. 匹配模式

Regex提供了一些可用的匹配模式，比如忽略大小寫、多行匹配等，這部分內容將在Pattern類的Factory 方法re.compile(pattern[, flags])中一起介紹。

2. re模組

2.1. 開始使用re

Python通過re模組提供對Regex的支援。使用re的一般步驟是先將Regex的字串形式編譯為Pattern執行個體，然後使用Pattern執行個體處理文本並獲得匹配結果（一個Match執行個體），最後使用Match執行個體獲得資訊，進行其他的操作。 複製代碼 代碼如下:# encoding: UTF-8
import re
# 將Regex編譯成Pattern對象
pattern = re.compile(r'hello')
# 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None
match = pattern.match('hello world!')
if match:
# 使用Match獲得分組資訊
print match.group()
### 輸出 ###
# hello

re.compile(strPattern[, flag]):
這個方法是Pattern類的Factory 方法，用於將字串形式的Regex編譯為Pattern對象。 第二個參數flag是匹配模式，取值可以使用按位或運算子'|'表示同時生效，比如re.I | re.M。另外，你也可以在regex字串中指定模式，比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。
可選值有：
re.I(re.IGNORECASE): 忽略大小寫（括弧內是完整寫法，下同）
M(MULTILINE): 多行模式，改變'^'和'$'的行為（參見）
S(DOTALL): 點任意匹配模式，改變'.'的行為
L(LOCALE): 使預定字元類 \w \W \b \B \s \S 取決於目前範圍設定
U(UNICODE): 使預定字元類 \w \W \b \B \s \S \d \D 取決於unicode定義的字元屬性
X(VERBOSE): 詳細模式。這個模式下Regex可以是多行，忽略空白字元，並可以加入注釋。以下兩個Regex是等價的： 複製代碼 代碼如下:a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")

re提供了眾多模組方法用於完成Regex的功能。這些方法可以使用Pattern執行個體的相應方法替代，唯一的好處是少寫一行re.compile()代碼，但同時也無法複用編譯後的Pattern對象。這些方法將在Pattern類的執行個體方法部分一起介紹。如上面這個例子可以簡寫為： 複製代碼 代碼如下:m = re.match(r'hello', 'hello world!')
print m.group()

re模組還提供了一個方法escape(string)，用於將string中的Regex元字元如*/+/?等之前加上轉義符再返回，在需要大量匹配元字元時有那麼一點用。
2.2. Match
Match對象是一次匹配的結果，包含了很多關於此次匹配的資訊，可以使用Match提供的可讀屬性或方法來擷取這些資訊。
屬性：
string: 匹配時使用的文本。
re: 匹配時使用的Pattern對象。
pos: 文本中Regex開始搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
endpos: 文本中Regex結束搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
lastindex: 最後一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。
方法：
group([group1, …]):
獲得一個或多個分組截獲的字串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字串的組返回None；截獲了多次的組返回最後一次截獲的子串。
groups([default]):
以元組形式返回全部分組截獲的字串。相當於調用group(1,2,…last)。default表示沒有截獲字串的組以這個值替代，預設為None。
groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group預設值為0。
end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group預設值為0。
span([group]):
返回(start(group), end(group))。
expand(template):
將匹配到的分組代入template中然後返回。template中可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認為是第10個分組，如果你想表達\1之後是字元'0'，只能使用\g<1>0。 複製代碼 代碼如下:import re
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')
### output ###
# m.string: hello world!
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'\2 \1\3'): world hello!

2.3. Pattern
Pattern對象是一個編譯好的Regex，通過Pattern提供的一系列方法可以對文本進行匹配尋找。
Pattern不能直接執行個體化，必須使用re.compile()進行構造。
Pattern提供了幾個可讀屬性用於擷取運算式的相關資訊：
pattern: 編譯時間用的運算式字串。
flags: 編譯時間用的匹配模式。數字形式。
groups: 運算式中分組的數量。
groupindex: 以運算式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。 複製代碼 代碼如下:import re
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex
### output ###
# p.pattern: (\w+) (\w+)(?P<sign>.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {'sign': 3}

執行個體方法[ | re模組方法]：
1、match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
pos和endpos的預設值分別為0和len(string)；re.match()無法指定這兩個參數，參數flags用於編譯pattern時指定匹配模式。
注意：這個方法並不是完全符合。當pattern結束時若string還有剩餘字元，仍然視為成功。想要完全符合，可以在運算式末尾加上邊界匹配符'$'。
樣本參見2.1小節。
2、search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
這個方法用於尋找字串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1後重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。
pos和endpos的預設值分別為0和len(string))；re.search()無法指定這兩個參數，參數flags用於編譯pattern時指定匹配模式。 複製代碼 代碼如下:# encoding: UTF-8
import re
# 將Regex編譯成Pattern對象
pattern = re.compile(r'world')
# 使用search()尋找匹配的子串，不存在能匹配的子串時將返回None
# 這個例子中使用match()無法成功匹配
match = pattern.search('hello world!')
if match:
# 使用Match獲得分組資訊
print match.group()
### 輸出 ###
# world

3、split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。 複製代碼 代碼如下:import re
p = re.compile(r'\d+')
print p.split('one1two2three3four4')
### output ###
# ['one', 'two', 'three', 'four', '']

4、findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜尋string，以列表形式返回全部能匹配的子串。 複製代碼 代碼如下:import re
p = re.compile(r'\d+')
print p.findall('one1two2three3four4')
### output ###
# ['1', '2', '3', '4']

5、finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜尋string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。 複製代碼 代碼如下:import re
p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
print m.group(),
### output ###
# 1 2 3 4

6、sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替換string中每一個匹配的子串後返回替換後的字串。
當repl是一個字串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。
當repl是一個方法時，這個方法應當只接受一個參數（Match對象），並返回一個字串用於替換（返回的字串中不能再引用分組）。
count用於指定最多替換次數，不指定時全部替換。 複製代碼 代碼如下:import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.sub(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.sub(func, s)
### output ###
# say i, world hello!
# I Say, Hello World!

7、subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替換次數)。 複製代碼 代碼如下:import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.subn(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.subn(func, s)
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

以上就是Python對於Regex的支援。熟練掌握Regex是每一個程式員必須具備的技能，這年頭沒有不與字串打交道的程式了。筆者也處於初級階段，與君共勉，^_^
另外，圖中的特殊構造部分沒有舉出例子，用到這些的Regex是具有一定難度的。有興趣可以思考一下，如何匹配不是以abc開頭的單詞，^_^
全文結束