python re模組

參考http://docs.python.org/howto/regex,http://docs.python.org/library/re.html，以下內容僅限於個人理解，如有不當之處，歡迎指出。

     Regex(可以稱為REs，regex，regex pattens)是一個小巧的，高度專業化的程式設計語言，它內嵌於python開發語言中，可通過re模組使用。Regex的

pattern可以被編譯成一系列的位元組碼，然後用C編寫的引擎執行。下面簡單介紹下Regex的文法

     Regex包含一個元字元(metacharacter)的列表，列表值如下:    . ^ $ * + ? { [ ] \ | ( )

　  1.元字元([ ]),它用來指定一個character class。所謂character classes就是你想要匹配的字元(character)的集合.字元(character)可以單個的列出，也可以通過"-"來分隔兩個字元來表示一個範圍。例如，[abc]匹配a，b或者c當中任意一個字元，[abc]也可以用字元區間來表示---[a-c].如果想要匹配單個大寫字母，你可以用[A-Z]。

     元字元(metacharacters)在character class裡面不起作用，如[akm$]將匹配"a","k","m","$"中的任意一個字元。在這裡元字元(metacharacter)"$"就是一個一般字元。

     2.元字元[^]. 你可以用補集來匹配不在區間範圍內的字元。其做法是把"^"作為類別的首個字元；其它地方的"^"只會簡單匹配 "^"字元本身。例如，[^5] 將匹配除 "5" 之外的任一字元。同時，在[ ]外，元字元^表示匹配字串的開始，如"^ab+"表示以ab開頭的字串。

    舉例驗證，

    >>> m=re.search("^ab+","asdfabbbb")
　 >>> print m
    None
    >>> m=re.search("ab+","asdfabbbb")
    >>> print m
    <_sre.SRE_Match object at 0x011B1988>
    >>> print m.group()
    abbbb

    上例不能用re.match,因為match匹配字串的開始，我們無法驗證元字元"^"是否代表字串的開始位置。

    >>> m=re.match("^ab+","asdfabbbb")
    >>> print m
    None
    >>> m=re.match("ab+","asdfabbbb")
    >>> print m
    None

#驗證在元字元[]中，"^"在不同位置所代表的意義。
　>>> re.search("[^abc]","abcd")  #"^"在首字元表示取反，即abc之外的任一字元。
　<_sre.SRE_Match object at 0x011B19F8>
　>>> m=re.search("[^abc]","abcd")
　>>> m.group()
　'd'
　>>> m=re.search("[abc^]","^")  #如果"^"在[ ]中不是首字元，那麼那就是一個一般字元
　>>> m.group()
　'^'

不過對於元字元”^”有這麼一個疑問.官方文檔http://docs.python.org/library/re.html有關元字元”^”有這麼一句話，Matches the start

of the string, and in MULTILINE mode also matches immediately after each newline.

我理解的是”^”匹配字串的開始，在MULTILINE模式下，也匹配分行符號之後。

　>>> m=re.search("^a\w+","abcdfa\na1b2c3")

   >>> m.group()

　'abcdfa'

　>>> m=re.search("^a\w+","abcdfa\na1b2c3",re.MULTILINE)，

　>>> m.group()  #

　'abcdfa'

我認為flag設定為re.MULTILINE，根據上面那段話，他也應該匹配分行符號之後，所以應該有m.group應該有"a1b2c3",但是結果沒有，用findall來嘗試，可以找到結果。所以這裡我理解之所以group裡面沒有，是因為search和match方法是匹配到就返回，而不是去匹配所有。

　>>> m=re.findall("^a\w+","abcdfa\na1b2c3",re.MULTILINE)

　>>> m

　['abcdfa', 'a1b2c3']

 

   3. 元字元(\),元字元backslash。做為 Python 中的字串字母，反斜線後面可以加不同的字元以表示不同特殊意義。

   它也可以用於取消所有的元字元，這樣你 就可以在模式中匹配它們了。例如，如果你需要匹配字元 "[" 或 "\"，你可以在它們之前用反斜線來取消它們的特殊意義： \[ 或 \\

   4。元字元($)匹配字串的結尾或者字串結尾的換行之前。（在MULTILINE模式下，"$"也匹配換行之前）

   Regex"foo"既匹配"foo"又匹配"foobar",而"foo$"僅僅匹配"foo".

        　　

　  >>> re.findall("foo.$","foo1\nfoo2\n")#匹配字串的結尾的分行符號之前。
     ['foo2']

　  >>> re.findall("foo.$","foo1\nfoo2\n",re.MULTILINE)
     ['foo1', 'foo2']

　　>>> m=re.search("foo.$","foo1\nfoo2\n")
　　>>> m
　　<_sre.SRE_Match object at 0x00A27170>
　　>>> m.group()
　　'foo2'
　　>>> m=re.search("foo.$","foo1\nfoo2\n",re.MULTILINE)
　　>>> m.group()
　　'foo1'

     看來re.MULTILINE對$的影響還是蠻大的。

     5.元字元(*),匹配0個或多個

     6.元字元(?)，匹配一個或者0個

     7.元字元(+), 匹配一個或者多個
     8,元字元(|), 表示"或"，如A|B，其中A，B為Regex，表示匹配A或者B

     9.元字元({})

     {m},用來表示前面Regex的m次copy，如"a{5}"，表示匹配5個”a”,即"aaaaa"

　>>> re.findall("a{5}","aaaaaaaaaa")
　['aaaaa', 'aaaaa']
　>>> re.findall("a{5}","aaaaaaaaa")
　['aaaaa']

   {m.n}用來表示前面Regex的m到n次copy,嘗試匹配儘可能多的copy。

   >>> re.findall("a{2,4}","aaaaaaaa")
　['aaaa', 'aaaa']
   通過上面的例子，可以看到{m,n}，Regex優先匹配n，而不是m，因為結果不是["aa","aa","aa","aa"]

   >>> re.findall("a{2}","aaaaaaaa")
　['aa', 'aa', 'aa', 'aa']

   {m,n}?  用來表示前面Regex的m到n次copy，嘗試匹配儘可能少的copy　　　

　>>> re.findall("a{2,4}?","aaaaaaaa")
　['aa', 'aa', 'aa', 'aa']

   10。元字元(  "( )" ),用來表示一個group的開始和結束。

   比較常用的有(REs),(?P<name>REs),這是無名稱的組和有名稱的group，有名稱的group，可以通過matchObject.group(name)

   擷取匹配的group，而無名稱的group可以通過從1開始的group序號來擷取匹配的組，如matchObject.group(1)。具體應用將在下面的group()方法中舉例講解

 

   11．元字元(.)

　元字元“.”在預設模式下，匹配除分行符號外的所有字元。在DOTALL模式下，匹配所有字元，包括分行符號。

　>>> import re

　>>> re.match(".","\n")

　>>> m=re.match(".","\n")

　>>> print m

　None

　>>> m=re.match(".","\n",re.DOTALL)

　>>> print m

　<_sre.SRE_Match object at 0x00C2CE20>

　>>> m.group()

　'\n'

 

　下面我們首先來看一下Match Object對象擁有的方法,下面是常用的幾個方法的簡單介紹

　1.group([group1,…])

　 返回匹配到的一個或者多個子組。如果是一個參數，那麼結果就是一個字串，如果是多個參數，那麼結果就是一個參數一個item的元組。group1的預設值為0(將返回所有的匹配值).如果groupN參數為0，相對應的傳回值就是全部匹配的字串，如果group1的值是[1…99]範圍之內的,那麼將匹配對應括弧組的字串。如果組號是負的或者比pattern中定義的組號大，那麼將拋出IndexError異常。如果pattern沒有匹配到，但是group匹配到了，那麼group的值也為None。如果一個pattern可以匹配多個，那麼組對應的是樣式匹配的最後一個。另外，子組是根據括弧從左向右來進行區分的。

　>>> m=re.match("(\w+) (\w+)","abcd efgh, chaj")

　>>> m.group()            # 匹配全部

　'abcd efgh'

　>>> m.group(1)     # 第一個括弧的子組.

　'abcd'

　>>> m.group(2)

　'efgh'

　>>> m.group(1,2)           # 多個參數返回一個元組

　('abcd', 'efgh')

　>>> m=re.match("(?P<first_name>\w+) (?P<last_name>\w+)","sam lee")
　>>> m.group("first_name")  #使用group擷取含有name的子組
　'sam'
　>>> m.group("last_name")
　'lee'

 

　下面把括弧去掉

　>>> m=re.match("\w+ \w+","abcd efgh, chaj")

　>>> m.group()

　'abcd efgh'

　>>> m.group(1)

　Traceback (most recent call last):

   File "<pyshell#32>", line 1, in <module>

   m.group(1)

　IndexError: no such group

 

　If a group matches multiple times, only the last match is accessible:

   如果一個組匹配多個，那麼僅僅返回匹配的最後一個的。

　>>> m=re.match(r"(..)+","a1b2c3")

　>>> m.group(1)

　'c3'

　>>> m.group()

　'a1b2c3'

　Group的預設值為0，返回Regexpattern匹配到的字串

 

　>>> s="afkak1aafal12345adadsfa"

　>>> pattern=r"(\d)\w+(\d{2})\w"

　>>> m=re.match(pattern,s)

　>>> print m

　None

　>>> m=re.search(pattern,s)

　>>> m

　<_sre.SRE_Match object at 0x00C2FDA0>

　>>> m.group()

　'1aafal12345a'

　>>> m.group(1)

　'1'

　>>> m.group(2)

　'45'

　>>> m.group(1,2,0)

　('1', '45', '1aafal12345a')

  

　2。groups([default])

　返回一個包含所有子組的元組。Default是用來設定沒有匹配到組的預設值的。Default預設是"None”,

　>>> m=re.match("(\d+)\.(\d+)","23.123")

　>>> m.groups()

　('23', '123')

　>>> m=re.match("(\d+)\.?(\d+)?","24") #這裡的第二個\d沒有匹配到，使用預設值"None"

　>>> m.groups()

　('24', None)

　>>> m.groups("0")

　('24', '0')

 

　3.groupdict([default])

　返回匹配到的所有命名子組的字典。Key是name值，value是匹配到的值。參數default是沒有匹配到的子組的預設值。這裡與groups()方法的參數是一樣的。預設值為None

　>>> m=re.match("(\w+) (\w+)","hello world")

　>>> m.groupdict()

　{}

　>>> m=re.match("(?P<first>\w+) (?P<secode>\w+)","hello world")

　>>> m.groupdict()

　{'secode': 'world', 'first': 'hello'}

　通過上例可以看出，groupdict()對沒有name的子組不起作用

 

 

Regex對象

　re.search(string[, pos[, endpos]])

　掃描字串string，尋找與Regex匹配的位置。如果找到一個匹配就返回一個MatchObject對象(並不會匹配所有的)。如果沒有找到那麼返回None。

　第二個參數表示從字串的那個位置開始，預設是0

　第三個參數endpos限定字串最遠被尋找到哪裡。預設值就是字串的長度。.

　>>> m=re.search("abcd", '1abcd2abcd')
　>>> m.group()  #找到即返回一個match object，然後根據該對象的方法，尋找匹配到的結果。
　'abcd'
　>>> m.start()
　1
　>>> m.end()
　5

　>>> re.findall("abcd","1abcd2abcd")
　['abcd', 'abcd']

 

　re.split(pattern, string[, maxsplit=0, flags=0])

　用pattern來拆分string。如果pattern有含有括弧，那麼在pattern中所有的組也會返回。

　>>> re.split("\W+","words,words,works",1)

　['words', 'words,works']

　>>> re.split("[a-z]","0A3b9z",re.IGNORECASE)

　['0A3', '9', '']

　>>> re.split("[a-z]+","0A3b9z",re.IGNORECASE)

　['0A3', '9', '']

　>>> re.split("[a-zA-Z]+","0A3b9z")

　['0', '3', '9', '']

　>>> re.split('[a-f]+', '0a3B9', re.IGNORECASE)#re.IGNORECASE用來忽略pattern中的大小寫。

　['0', '3B9']

 

　如果在split的時候捕獲了組，並且匹配字串的開始，那麼返回的結果將會以一個空串開始。

　>>> re.split('(\W+)', '...words, words...')

　['', '...', 'words', ', ', 'words', '...', '']

　>>> re.split('(\W+)', 'words, words...')

　['words', ', ', 'words', '...', '']

 

　re.findall(pattern, string[, flags])

　以list的形式返回string中所有與pattern匹配的不重疊的字串。String從左向右掃描，匹配的返回結果也是以這個順序。

　Return all non-overlapping matches of pattern in string, as a list of strings. The string is scanned left-to-right, and matches are returned in the order found. If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result unless they touch the beginning of another match.

　>>> re.findall('(\W+)', 'words, words...')

　[', ', '...']

　>>> re.findall('(\W+)d', 'words, words...d')

　['...']

　>>> re.findall('(\W+)d', '...dwords, words...d')

　['...', '...']

 

　re.finditer(pattern, string[, flags])

　與findall類似，只不過是返回list，而是返回了一個疊代器

 

 　我們來看一個sub和subn的例子

　>>> re.sub("\d","abc1def2hijk","RE")

　'RE'

　>>> x=re.sub("\d","abc1def2hijk","RE")

　>>> x

　'RE'

　>>> re.sub("\d","RE","abc1def2hijk",)

　'abcREdefREhijk'

 

　>>> re.subn("\d","RE","abc1def2hijk",)

　('abcREdefREhijk', 2)

　通過例子我們可以看出sub和subn的差別：sub返回替換後的字串，而subn返回由替換後的字串以及替換的個數組成的元組。

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

   用repl替換字串string中的pattern。如果pattern沒有匹配到，那麼返回的字串沒有變化]。Repl可以是一個字串，也可以是一個function。如果是字串，如果repl是個方法/函數。對於所有的pattern匹配到。他都回調用這個方法/函數。這個函數和方法使用單個match object作為參數，然後返回替換後的字串。下面是官網提供的例子:

>>> def dashrepl(matchobj):

...     if matchobj.group(0) == '-': return ' '

...     else: return '-'

>>> re.sub('-{1,2}', dashrepl, 'pro----gram-files')

'pro--gram files'

>>> re.sub(r'\sAND\s', ' & ', 'Baked Beans And Spam', flags=re.IGNORECASE)

'Baked Beans & Spam'