Python：Regexre模組

標籤：python re Regex regular-expression

      Regex是一種用預先定義的特殊字元來描述或匹配特定‘模板’的一系列字串的一種工具。在電腦語言中，Regex通常被用來搜尋、替換某些符合特定規則的文本。這麼說太教條，估計很多人看了也不明白。

      通俗來講，Regex就是定義了一些特殊的字元，用來表示特定的一系列具有類似特性的東西，或者用特殊字元表示特定的規則。這麼說還是不明白，還是舉例說明吧。

      比如說你想在一個文本裡面找出所有的手機號碼。首先我們分析，既然是手機號碼，那麼肯定都是數字。而我們定義了\d用來表示任意0-9的數字。然後我們還知道手機號碼都是11位元字，所以我們還要限制\d出現的次數，不能多也不能少，剛剛是11位。在Regex中，我們定義了{}來限定前面的內容出現的次數。這裡我們要求是11位，所以應該是{11}。那麼整個合并起來就可以形成最簡單的匹配手機號碼的Regex了，也就是\d{11}.它的含義就是匹配所有有11個數字連續出現的情況。有了這個Regex，我們就可以用來很方便地在一個文本裡面快速地定位我們需要的電話號碼了。當然，這裡只是舉一個簡單的例子，實際上要匹配手機號碼還有許多要求。比如第一位必須是1吧，還有第二位也並不是所有0-9都可以使用的，而前面寫的對此並無限制。還有有的情況下手機號碼前如果有區號+86，那也會出現錯誤。所以要準確地寫出一個匹配手機號碼的Regex，還需要考慮多方面的因素。

      下面是百度百科摘錄的Regex的元字元及其含義表。

元字元	描述
\	將下一個字元標記為一個特殊字元、或一個原義字元、或一個反向參考、或一個八進位轉義符。例如，“\\n”匹配\n。“\n”匹配分行符號。序列“\\”匹配“\”而“\(”則匹配“(”。
^	匹配輸入字串的開始位置。如果設定了RegExp對象的Multiline屬性，^也匹配“\n”或“\r”之後的位置。
$	匹配輸入字串的結束位置。如果設定了RegExp對象的Multiline屬性，$也匹配“\n”或“\r”之前的位置。
*	匹配前面的子運算式零次或多次(大於等於0次)。例如，zo*能匹配“zo”以及“zoo”。*等價於{0,}。
+	匹配前面的子運算式一次或多次(大於等於1次）。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等價於{1,}。
?	匹配前面的子運算式零次或一次。例如，“do(es)?”可以匹配“does”或“does”中的“do”。?等價於{0,1}。
{n}	n是一個非負整數。匹配確定的n次。例如，“o{2}”不能匹配“Bob”中的“o”，但是能匹配“food”中的兩個o。
{n,}	n是一個非負整數。至少匹配n次。例如，“o{2,}”不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。“o{1,}”等價於“o+”。“o{0,}”則等價於“o*”。
{n,m}	m和n均為非負整數，其中n<=m。最少匹配n次且最多匹配m次。例如，“o{1,3}”將匹配“fooooood”中的前三個o。“o{0,1}”等價於“o?”。請注意在逗號和兩個數之間不能有空格。
?	當該字元緊跟在任何一個其他限制符（*,+,?，{n}，{n,}，{n,m}）後面時，匹配模式是非貪婪的。非貪婪模式儘可能少的匹配所搜尋的字串，而預設的貪婪模式則儘可能多的匹配所搜尋的字串。例如，對於字串“oooo”，“o?”將匹配單個“o”，而“o+”將匹配所有“o”。
.點	匹配除“\n”之外的任何單個字元。要匹配包括“\n”在內的任何字元，請使用像“[\s\S]”的模式。
(pattern)	匹配pattern並擷取這一匹配。所擷取的匹配可以從產生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中則使用$0…$9屬性。要匹配圓括弧字元，請使用“\(”或“\)”。
(?:pattern)	匹配pattern但不擷取匹配結果，也就是說這是一個非擷取匹配，不進行儲存供以後使用。這在使用或字元“(|)”來組合一個模式的各個部分是很有用。例如“industr(?:y|ies)”就是一個比“industry|industries”更簡略的運算式。
(?=pattern)	正向肯定預查，在任何匹配pattern的字串開始處匹配尋找字串。這是一個非擷取匹配，也就是說，該匹配不需要擷取供以後使用。例如，“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。預查不消耗字元，也就是說，在一個匹配發生後，在最後一次匹配之後立即開始下一次匹配的搜尋，而不是從包含預查的字元之後開始。
(?!pattern)	正向否定預查，在任何不匹配pattern的字串開始處匹配尋找字串。這是一個非擷取匹配，也就是說，該匹配不需要擷取供以後使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。
(?<=pattern)	反向肯定預查，與正向肯定預查類似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。
(?<!pattern)	反向否定預查，與正向否定預查類似，只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。
x|y	匹配x或y。例如，“z|food”能匹配“z”或“food”。“(z|f)ood”則匹配“zood”或“food”。
[xyz]	字元集合。匹配所包含的任意一個字元。例如，“[abc]”可以匹配“plain”中的“a”。
[^xyz]	負值字元集合。匹配未包含的任一字元。例如，“[^abc]”可以匹配“plain”中的“plin”。
[a-z]	字元範圍。匹配指定範圍內的任一字元。例如，“[a-z]”可以匹配“a”到“z”範圍內的任意小寫字母字元。 注意:只有連字號在字元組內部時,並且出兩個字元之間時,才能表示字元的範圍; 如果出字元組的開頭,則只能表示連字號本身.
[^a-z]	負值字元範圍。匹配任何不在指定範圍內的任一字元。例如，“[^a-z]”可以匹配任何不在“a”到“z”範圍內的任一字元。
\b	匹配一個單詞邊界，也就是指單詞和空格間的位置。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。
\B	匹配非單詞邊界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\cx	匹配由x指明的控制字元。例如，\cM匹配一個Control-M或斷行符號符。x的值必須為A-Z或a-z之一。否則，將c視為一個原義的“c”字元。
\d	匹配一個數字字元。等價於[0-9]。
\D	匹配一個非數字字元。等價於[^0-9]。
\f	匹配一個換頁符。等價於\x0c和\cL。
\n	匹配一個分行符號。等價於\x0a和\cJ。
\r	匹配一個斷行符號符。等價於\x0d和\cM。
\s	匹配任何空白字元，包括空格、定位字元、換頁符等等。等價於[ \f\n\r\t\v]。
\S	匹配任何非空白字元。等價於[^ \f\n\r\t\v]。
\t	匹配一個定位字元。等價於\x09和\cI。
\v	匹配一個垂直定位字元。等價於\x0b和\cK。
\w	匹配包括底線的任何單詞字元。等價於“[A-Za-z0-9_]”。
\W	匹配任何非單詞字元。等價於“[^A-Za-z0-9_]”。
\xn	匹配n，其中n為十六進位轉義值。十六進位轉義值必須為確定的兩個數字長。例如，“\x41”匹配“A”。“\x041”則等價於“\x04&1”。Regex中可以使用ASCII編碼。
\num	匹配num，其中num是一個正整數。對所擷取的匹配的引用。例如，“(.)\1”匹配兩個連續的相同字元。
\n	標識一個八進位轉義值或一個反向參考。如果\n之前至少n個擷取的子運算式，則n為反向參考。否則，如果n為八位元字（0-7），則n為一個八進位轉義值。
\nm	標識一個八進位轉義值或一個反向參考。如果\nm之前至少有nm個獲得子運算式，則nm為反向參考。如果\nm之前至少有n個擷取，則n為一個後跟文字m的反向參考。如果前面的條件都不滿足，若n和m均為八位元字（0-7），則\nm將匹配八進位轉義值nm。
\nml	如果n為八位元字（0-7），且m和l均為八位元字（0-7），則匹配八進位轉義值nml。
\un	匹配n，其中n是一個用四個十六進位數字表示的Unicode字元。例如，\u00A9匹配著作權符號（&copy;）。
\< \>	匹配詞（word）的開始（\<）和結束（\>）。例如Regex\<the\>能夠匹配字串"for the wise"中的"the"，但是不能匹配字串"otherwise"中的"the"。注意：這個元字元不是所有的軟體都支援的。
\( \)	將 \( 和 \) 之間的運算式定義為“組”（group），並且將匹配這個運算式的字元儲存到一個臨時地區（一個Regex中最多可以儲存9個），它們可以用 \1 到\9 的符號來引用。
|	將兩個匹配條件進行邏輯“或”（Or）運算。例如Regex(him|her) 匹配"it belongs to him"和"it belongs to her"，但是不能匹配"it belongs to them."。注意：這個元字元不是所有的軟體都支援的。
+	匹配1或多個正好在它之前的那個字元。例如Regex9+匹配9、99、999等。注意：這個元字元不是所有的軟體都支援的。
?	匹配0或1個正好在它之前的那個字元。注意：這個元字元不是所有的軟體都支援的。
{i} {i,j}	匹配指定數目的字元，這些字元是在它之前的運算式定義的。例如RegexA[0-9]{3} 能夠匹配字元"A"後面跟著正好3個數字字元的串，例如A123、A348等，但是不匹配A1234。而Regex[0-9]{4,6} 匹配連續的任意4個、5個或者6個數字

本文出自 “載酒仗劍江湖行” 部落格，請務必保留此出處http://wucl202000.blog.51cto.com/4687508/1659300

Python：Regexre模組