pythonRegex進階用法

Regex是一個以簡單直觀的方式匹配指定文本資訊從而達到尋找、替換等操作的目的。Regex以其簡單而高效的特點使得其在資料分析和資料驗證方面應用廣泛。

對於簡單的Regex可以直接百度之，這裡重點引薦下‘特殊’操作。

1.非貪婪模式 - {x,y}?

非貪婪模式是指在使用正則匹配時，儘可能少的匹配（預設是貪婪模式，即：儘可能多的匹配）。例：

>>> re.search(r'[\d]{2,5}?','091234568')

<_sre.SRE_Match object; span=(0, 2), match='09'>

在這裡{2,5}?匹配只是匹配2-5個[\d]時只要滿足2（最少的）個就好，在看看貪婪模式：

>>> re.search(r'[\d]{2,5}','091234568')

<_sre.SRE_Match object; span=(0, 5), match='09123'>

這時候，匹配2-5個[\d]時，預設匹配最多的5個。

注意：貪婪和非貪婪模式的區別就是重複操作符後有沒有。字元

2.分組

Regex提供了一個機制將運算式分組，匹配的結果也將按照運算式單獨分組。例：

>>> m = re.search(r'(\d{3})-(\d{5})','029-25642')

>>> m.group()

'029-25642'

>>> m.groups()

('029', '25642')

>>> m.group(2)

'25642'

可以通過m.groups()看到分組匹配結果，通過m.group(index)查看具體編號的分組結果（編號從1開始，0是完整的匹配）。那分組有什麼用呢，好像也沒什麼特殊的含義，不急，下面會用到。

3.引用分組（回溯） - \N

有這麼一種情況，比如假設我要找出一個html文本中的所有<a></a>標籤，怎麼辦。試試這樣：

>>> re.search(r'<(\w+)>.+</(\w+)>','<a>this is a demo</e>')

<_sre.SRE_Match object; span=(0, 21), match='<a>this is a demo</e>'>

奇怪的事情來了，為什麼<a></e>被匹配成功了，顯然結果並不是想要的，那怎麼才能只匹配<a></a>而過濾掉其他的呢（比如<a></e>）。答案就是引用分組，例：

>>> re.search(r'<(\w+)>.+</\1>','<a>this is a demo</e><p>demo two</p>')

<_sre.SRE_Match object; span=(21, 36), match='<p>demo two</p>'>

這裡\1是關鍵，意思就是當前位置匹配的結果需要和第一個分組匹配的結果一致，或者說第一個分組的匹配結果期望在這裡再次出現。以此類推。該方法最多隻能匹配前99個分組。

4.分組命名 - (?P<name>.*)

分組命名最開始由python引入，比如Django路由中會用到。分組命名的好處是方便，直接使用名字比編號要簡單而且不會變化，例：

>>> m = re.search(r'(?P<first_name>\d{3})-(?P<second_name>\d{4})','029-8967')

>>> m.group('first_name')

'029'

>>> m.groupdict()

{'first_name': '029', 'second_name': '8967'}

當然，命名分組仍然是編號分組，依然可以使用編號進行尋找分組。

5.先行斷言 - X(?!Y)、X(?=Y)

假設有這麼一種情況，要尋找所有163信箱的文本，也就是@163.com結尾的所有email帳號資訊，也就是說不要@163.com這部分，但是其還要參與匹配。這就用到了先行斷言，也即基於之後的內容是否存在接收或拒絕一個匹配，而不需要接下來的內容作為匹配的一部分。例：

>>> re.search(r'h(?!e)','hello home!')

<_sre.SRE_Match object; span=(6, 7), match='h'>

h(?!e)表示匹配h，而且h後面不能是e，此處匹配成功的是home，但是只返回h

>>> re.search(r'h(?=e)','hello home!')

<_sre.SRE_Match object; span=(0, 1), match='h'>

h(?=e)表示匹配he，此處匹配成功的是hello，但是只返回h

6.標記

不區分大小寫：re.IGNORECASE（簡寫re.I）-使得Regex不區分大小寫

點匹配分行符號：re.DOTALL（簡寫re.S）-使得 . 符號可以匹配分行符號

多行模式：re.MULTILINE（簡寫re.M）-使得^$字元可以匹配任意行的開始與結束

詳細模式：re.VERBOSE（簡寫re.X）-使得Regex可以換行書寫，且可以加入注釋

偵錯模式：re.DEBUG-將調試資訊輸出到sys.stderr

使用多個標記時，使用|分隔，如re.S|re.M