Python標準庫01 Regex (re包)

作者：Vamei 出處：http://www.cnblogs.com/vamei 歡迎轉載，也請保留這段聲明。謝謝！

 

我將從Regex開始講Python的標準庫。Regex是文文書處理中常用的工具，而且不需要額外的系統知識或經驗。我們會把系統相關的包放在後面講解。

 

Regex(regular expression)主要功能是從字串(string)中通過特定的模式(pattern)，搜尋想要找到的內容。

1. Regex文法

之前，我們簡介了字串相關的處理函數。我們可以通過這些函數實現簡單的搜尋功能，比如說從字串“I love you”中搜尋是否有“you”這一子字串。但有些時候，我們只是模糊地知道我們想要找什麼，而不能具體說出我是在找“you”，比如說，我想找出字串中包含的數字，這些數字可以是0到9中的任何一個。這些模糊的目標可以作為資訊寫入Regex，傳遞給Python，從而讓Python知道我們想要找的是什麼。

(官方documentation)

在Python中使用Regex需要標準庫中的一個包re。

import rem = re.search('[0-9]','abcd4ef')print(m.group(0))

re.search()接收兩個參數，第一個'[0-9]'就是我們所說的Regex，它告訴Python的是，“聽著，我從字串想要找的是從0到9的一個數字字元”。

re.search()如果從第二個參數找到符合要求的子字串，就返回一個對象m，你可以通過m.group()的方法查看搜尋到的結果。如果沒有找到符合要求的字元，re.search()會返回None。

 

如果你熟悉Linux或者Perl, 你應該已經熟悉Regex。當我們開啟Linux shell的時候，可以用Regex去尋找或著刪除我們想要的檔案，比如說：

$rm book[0-9][0-9].txt

這就是要刪除類似於book02.txt的檔案。book[0-9][0-9].txt所包含的資訊是，以book開頭，後面跟兩個數字字元，之後跟有".txt"的檔案名稱。如果不合格檔案名稱，比如說:

bo12.txt

book1.txt

book99.text

都不會被選中。

Perl中內建有Regex的功能，據說是所有Regex系統中最強的，這也是Perl成為系統管理員利器的一個原因。

 

2. Regex的函數

m = re.search(pattern, string)  # 搜尋整個字串，直到發現符合的子字串。m = re.match(pattern, string)   # 從頭開始檢查字串是否符合Regex。必須從字串的第一個字元開始就相符。

可以從這兩個函數中選擇一個進行搜尋。上面的例子中，我們如果使用re.match()的話，則會得到None，因為字串的起始為‘a’， 不符合'[0-9]'的要求。

對於返回的m, 我們使用m.group()來調用結果。（我們會在後面更詳細解釋m.group()）

 

我們還可以在搜尋之後將搜尋到的子字串進行替換：

str = re.sub(pattern, replacement, string) 
# 在string中利用正則變換pattern進行搜尋，對於搜尋到的字串，用另一字串replacement替換。返回替換後的字串。

 

此外，常用的Regex函數還有

re.split()    # 根據Regex分割字串， 將分割後的所有子字串放在一個表(list)中返回

re.findall()  # 根據Regex搜尋字串，將所有符合的子字串放在一給表(list)中返回

 

(在熟悉了上面的函數後，可以看一下re.compile()，以便於提高搜尋效率。)

 

3. 寫一個Regex

關鍵在於將資訊寫成一個Regex。我們先看Regex的常用文法：

1）單個字元:

.          任意的一個字元

a|b        字元a或字元b

[afg]      a或者f或者g的一個字元        

[0-4]      0-4範圍內的一個字元

[a-f]      a-f範圍內的一個字元

[^m]       不是m的一個字元

\s         一個空格

\S         一個非空格

\d         [0-9]

\D         [^0-9]

\w         [0-9a-zA-Z]

\W         [^0-9a-zA-Z]

 

2）重複

緊跟在單個字元之後，表示多個這樣類似的字元

*         重複 >=0 次

+         重複 >=1 次

?         重複 0或者1 次

{m}       重複m次。比如說 a{4}相當於aaaa，再比如說[1-3]{2}相當於[1-3][1-3]

{m, n}    重複m到n次。比如說a{2, 5}表示a重複2到5次。小於m次的重複，或者大於n次的重複都不符合條件。

 

正則表達          相符的字串舉例

[0-9]{3,5}       9678

a?b              b

a+b              aaaaab

 

3) 位置

^         字串的起始位置

$         字串的結尾位置

 

正則表達          相符的字串舉例        不相符字串

^ab.*c$          abeec               cabeec (如果用re.search(), 將無法找到。)

4）返回控制

我們有可能對搜尋的結果進行進一步精簡資訊。比如下面一個Regex：

output_(\d{4})

該Regex用括弧()包圍了一個小的Regex，\d{4}。 這個小的Regex被用於從結果中篩選想要的資訊（在這裡是四位元字）。這樣被括弧圈起來的Regex的一部分，稱為群(group)。
我們可以m.group(number)的方法來查詢群。group(0)是整個正則表達的搜尋結果，group(1)是第一個群……

import rem = re.search("output_(\d{4})", "output_1986.txt")print(m.group(1))

 

我們還可以將群命名，以便更好地使用m.group查詢:

import rem = re.search("output_(?P<year>\d{4})", "output_1986.txt")   #(?P<name>...) 為group命名print(m.group("year"))

 

4. 練習
有一個檔案，檔案名稱為output_1981.10.21.txt
。下面使用Python： 讀取檔案名稱中的日期時間資訊，並找出這一天是周幾。將檔案改名為output_YYYY-MM-DD-W.txt (YYYY:四位的年，MM：兩位的月份，DD：兩位的日，W：一位的周幾，並假設周一為一周第一天)

 

 

總結：

re.search() re.match() re.sub() re.findall()

Regex構成方法