Regex(regular expression)是一種用於匹配文本形式的強大邏輯運算式,在 Python 中的 re 模組提供了Regex的支援。Regex由一些一般字元和一些元字元(metacharacters)組成。一般字元包括大小寫字母和數字,而元字元則具有特殊的含義。
當Regex為一個普通的字串時,一個Regex的匹配行為就是一個普通的字串尋找過程。例如,Regex"testing"中沒有包含任何元字元,它可以匹配"testing"和"testing123"等字串,但因為大小寫敏感,它不能匹配"Testing"。其他一些元字元則不會被作為一般字元來處理,它們包括 . ^ $ * + ? { [ ] \ | ( ) 。
. 會匹配除了換行以外的任何字元; \w 等價於 [a-zA-Z0-9_] 會匹配單一字母、數字或底線,而 \W 則會匹配任何非字母、數字和底線的單一字元; \b 會匹配“單一字母、數字或底線”和“任何非字母、數字和底線的單一字元”之間的邊界。 \s 等價於 [ \n\r\t\f] ,會匹配一個空白字元(包括空格、換行、返回、定位字元、表格), \S 則匹配所有非空白字元; \t \n \r 依次用於匹配製表符、分行符號、返回符; \d 等價於 [0-9] 用於匹配十進位表示的的數字。
^ 作為開始標記, $ 作為結束標記,分別用於標記一個字串的開始和結束的位置。 \ 用於一些字元的轉義,比如 \. 表示對於一個真實點字元的匹配, \\ 表示對於一個真實反斜線字元的匹配等。如果你對不是很確定一些字元是否需要進行轉義才能匹配,你大可都加上斜杠,比如對於 @ 你寫成 \@ 是一定沒有問題的。
import re
str = 'A cute word:cat!!'
match=re.search(r'word:\w\w\w',str)
if match:
print 'found',match.groups()
這裡將用word:\w\w\w',str這個正則對str進行進行匹配尋找,Regex前的r標記了這個運算式不用做轉義處理,也就是說\n這種東西再被r標記了以後就不會當作換行處理,match變數將指向匹配尋找的結果。
結果輸出為 cat
import re
print re.search(r'..g','piiig').group()
print re.search(r'\d\d\d','p123g').group()
print re.search(r'\w\w\w','@@abcd!').group()
輸出結果為:iig 123 abc
註:'..g' 尋找g前的兩個字母
'\d\d\d' 尋找字串中的三個數字
'\w\w\w'尋找字串中的三個單詞字元 (若為'\w\w\w\w' 則輸出abcd)
Regex中我們可以用+和*來實現重複多次的形式表達,*表示0或更多次的重複,+表示1或更多次的重複
import re
print re.search(r'pi+','piiig').group()
print re.search(r'pi*','pg').group()
輸出:piii p
方括弧的作用? 將一系列的正則字元以或的形式串連起來
import re
print re.search(r'[abc]+','xxxacbbcbbadddedede').group()
print re.search(r'[a-d]+','xxxacbbcbbadddedede').group()
輸出為:acbbcbba acbbcbbaddd
# 前者匹配了連續的由abc組成的字串
# 後者匹配了從a到d的所有字母組成的倆許字串
import re
str = 'purple alice-b@jisuanke.com monkey dishwasher'
match=re.search('([\w.-]+)@([\w.-]+)',str)
if match:
print match.group()
print match.group(1)
print match.group(2)
輸出:alice-b@jisuanke.com
alice-b
jisuanke.com
註:在group()函數中加參數與不加參數的區別
Regex用簡單的一些字元的組合包含了太豐富的語義,但是它們實在太過密集了,為了把你的Regex寫對,你可能要花上太多太多的時間。在這裡,我們提供一些簡單的建議協助你更高效的對Regex進行調試。
你可以設計一系列放在列表裡的字串用於調試,其中一部分是可以產生符合Regex的結果的,另一部分是產生不符合Regex的結果的。請注意,在設計這些字串時,儘可能讓他們的特徵表現的更為不同一些,便於覆蓋到我們可能出現的各種Regex沒有寫對的錯誤。例如,對於一個存在 + 的Regex,我們可以考慮選用一個符合 * 但是不符合 + 的字串
然後你可以寫一個迴圈,依次驗證每個列表內的字串是否符合指定的某個Regex並且和你設定的存在另一個列表內的預期結果進行比對,如果出現了不一致的情況,則你應該考慮看看你的Regex是不是還需要修改,如果結果基本一致,那麼我們可以考慮進一步修改我們用於調試的字串或添加新的字串。
除了之前用到的search方法,在結合圓括弧後,我們還可以使用另一個名 為findall的方法 來匹配尋找出所有的被尋找字串符合正則的結果,並得到一個結果元組為元素的列表
import re
str = 'purple alice@jisuanke.com, blah monkey bob@abc.com blah dishwasher'
tuples=re.findall(r'([\w\.-]+)@([\w\.-]+)',str)
print tuples
輸出:[('alice', 'jisuanke.com'), ('bob', 'abc.com')]
結合檔案操作和 findall 的使用選出下面這段代碼正確的輸出結果
test.txt 的常值內容如下
在用於Regex的 re 模組中的函數有一些選擇性參數,我們可以對 search() 函數或者 findall() 函數傳入額外的參數來進行使用,如 re.search(pat, str, re.IGNORECASE) 中的 re.IGNORECASE 就是使用了 re 中的一個標記作為額外的參數。
在 re 模組中,提供了很多不同的選擇性參數,其中上面提到的 IGNORECASE 表示了讓匹配時忽略大小寫區別;而另外一個選擇性參數 DOTALL 如果被添加,則會允許正則中的 . 去跨行匹配,加了這個參數以後 .* 這樣的匹配方式,將可以跨行進行匹配,而不只是在行內進行。另外,還有一個選擇性參數是 MULTILINE ,使用它以後,對於一個多行文本組成的字串, ^ 和 $ 將可以用於匹配每一行的開始和結束,而如果沒有用它時 ^ 和 $ 只會匹配整個字串的開始和結束。
除了選擇性參數之外,我們還需要理解一下正則匹配的“貪心情況”。假設我們有一段文字 <b>foo</b> and <i>so on</i> 而你希望匹配 (<.*>) 提取的所有 HTML 標籤,你覺得結果會是怎麼樣呢?我們可以得到期望的 <b> , </b> , <i> , </i> 這樣的結果嗎?
事實上的結果可能會有點出乎你的意料,因為 .* 這樣的匹配是“貪心”的,它會儘可能去得到較長的匹配結果,因此我們會得到的是一整個 <b>foo</b> and <i>so on</i> 作為匹配出的結果。如果我們希望獲得期望中的結果,我們就需要這個匹配是非貪心的,在Regex中,我們對於 * 和 + 這種預設貪心的匹配可以加上 ? 使之變為不貪心的。
也就是說,如果我們將 (<.*>) 改成 (<.*?>) ,Regex會先匹配 <b> ,然後匹配 </b> ,接下來則分別是 <i> 和 </i> 。這樣的匹配結果與我們的預期完全一致。相應的,對於一些用到了 + 的情況,我們可以將 + 變為 +? 來進行非貪心的匹配。