Python入門篇之Regex

Regex有兩種基本的操作，分別是匹配和替換。

匹配就是在一個文本字串中搜尋匹配一特殊運算式；

替換就是在一個字串中尋找並替換匹配一特殊運算式的字串。

1.基本元素

Regex定義了一系列的特殊字元元素以執行匹配動作。

Regex基底字元

字元	描述
text	匹配text字串
.	匹配除分行符號之外的任意一個單個字元
^	匹配一個字串的開頭
$	匹配一個字串的末尾

在Regex中，我們還可用匹配限定符來約束匹配的次數。

匹配限定符

最大匹配	最小匹配	描述
*	*	重複匹配前運算式零次或多次
+	+	重複匹配前運算式一次或多次
		重複匹配前運算式零次或一次
{m}	{m}	精確重複匹配前運算式m次
{m,}	{m,}	至少重複匹配前運算式m次
{m,n}	{m,n}	至少重複匹配前運算式m次，至多重複匹配前運算式n次

據上所述，".*"為最大匹配，能匹配源字串所有能匹配的字串。".* "為最小匹配，只匹配第一次出現的字串。如：d.*g能匹配任意以d開頭，以g結尾的字串，如"debug"和"debugging"，甚至"dog is walking"。而d.* g只能匹配"debug"，在"dog is walking"字串中，則只匹配到"dog "。

在一些更複雜的匹配中，我們可用到組和運算子。

組和運算子

組	描述
[...]	匹配集合內的字元，如[a-z],[1-9]或[,./;']
[^...]	匹配除集合外的所有字元，相當於取反操作
A|B	匹配運算式A或B，相當於OR操作
(...)	運算式分組，每對括弧為一組，如([a-b]+)([A-Z]+)([1-9]+)
\number	匹配在number運算式組內的文本

有一組特殊的字元序列，用來匹配具體的字元類型或字元環境。如\b匹配字元邊界，food\b匹配"food"、"zoofood"，而和"foodies"不匹配。

特殊字元序列

字元	描述
\A	只匹配字串的開始
\b	匹配一個單詞邊界
\B	匹配一個單詞的非邊界
\d	匹配任意十進位數字字元，等價於r'[0-9]'
\D	匹配任意非十進位數字字元，等價於r'[^0-9]'
\s	匹配任意空白字元（空格符、tab定位字元、分行符號、斷行符號、換頁符、垂直線符號）
\S	匹配任意非空白字元
\w	匹配任意字母數字字元
\W	匹配任意非字母數字字元
\Z	僅匹配字串的尾部
\\	匹配反斜線字元

有一套聲明(assertion)對具體事件進行聲明。

Regex聲明

聲明	描述
( iLmsux)	匹配Null 字元串，iLmsux字元對應下表的Regex修飾符。
( :...)	匹配圓括弧內定義的運算式，但不填充字元組表。
( P)	匹配圓括弧內定義的運算式，但匹配的運算式還可用作name標識的符號組。
( P=name)	匹配所有與前面命名的字元組相匹配的文本。
( #...)	引入注釋，忽略圓括弧內的內容。
( =...)	如果所提供的文本與下一個Regex元素匹配，這之間沒有多餘的文本就匹配。這允許在一個運算式中進行超前操作，而不影響Regex其餘部分的分析。如"Martin"其後緊跟"Brown"，則"Martin( =Brown)"就只與"Martin"匹配。
( !...)	僅當指定運算式與下一個Regex元素不匹配時匹配，是( =...)的反操作。
( <=...)	如果字串當前位置的前置詞字元串是給定文本，就匹配，整個運算式就在當前位置終止。如( <=abc)def運算式與"abcdef"匹配。這種匹配是對前置詞字元數量的精確匹配。
(	如果字串當前位置的前置詞字元串不是給定的本文，就匹配，是( <=...)的反操作。

Regex還支援一些處理標誌，它會影響正則式的執行方法。

處理標誌

標誌	描述
I或IGNORECASE	忽略運算式的大小寫來匹配文本。

2.操作

通過re模組，我們就可在python中利用正則式對字串進行搜尋、抽取和替換操作。如：re.search()函數能執行一個基本的搜尋操作，它能返回一個MatchObject對象。re.findall()函數能返回匹配列表。

代碼如下:

>>> import re
>>> a="this is my re module test"
>>> obj = re.search(r'.*is',a)
>>> print obj
<_sre.SRE_Match object at 0xb7d7a218>
>>> obj.group()
'this is'
>>> re.findall(r'.*is',a)
['this is']

MatchObject對象方法

方法	描述
expand(template)	展開模板中用反斜線定義的內容。
m.group([group,...])	返回匹配的文本，是個元組。此文本是與給定group或由其索引數字定義的組匹配的文本，如果沒有組定組名，則返回所有匹配項。
m.groups([default])	返回一個元組，該元組包含模式中與所有組匹配的文本。如果給出default參數，default參數值就是與給定運算式不匹配的組的傳回值。default參數的預設取值為None。
m.groupdict([default])	返回一個字典，該字典包含匹配的所有子組。如果給出default參數，其值就是那些不匹配組的傳回值。default參數的預設取值為None。
m.start([group])	返回指定group的開始位置，或返回全部匹配的開始位置。
m.end([group])	返回指定group的結束位置，或返回全部匹配的結束位置。
m.span([group])	返回兩元素組，此元組等價於關於一給定組或一個完整匹配運算式的(m.start(group),m.end(group)))列表
m.pos	傳遞給match()或search()函數的pos值。
m.endpos	傳遞給match()或search()函數的endpos值。
m.lastindex
m.lastgroup
m.re	建立這個MatchObject對象的正則式對象
m.string	提供給match()或search()函數的字串。

使用sub()或subn()函數可在字串上執行替換操作。sub()函數的基本格式如下：
sub(pattern,replace,string[,count])

樣本

代碼如下:

>>> str = 'The dog on my bed'
>>> rep = re.sub('dog','cat',str)
>>> print rep
The cat on my bed

replace參數可接受函數。要獲得替換的次數，可使用subn()函數。subn()函數返回一個元組，此元組包含替換了的文本和替換的次數。

如果需用同一個正則式進行多次匹配操作，我們可把正則式編譯成內部語言，提高處理速度。編譯正則式用compile()函數來實現。compile()函數的基本格式如下：
compile(str[,flags])

str表示需編譯的正則式串，flags是修飾標誌符。正則式被編譯後產生一個對象，該對象有多種方法和屬性。

正則式對象方法/屬性

方法/屬性	描述
r.search(string[,pos[,endpos]])	同search()函數，但此函數允許指定搜尋的起點和終點
r.match(string[,pos[,endpos]])	同match()函數，但此函數允許指定搜尋的起點和終點
r.split(string[,max])	同split()函數
r.findall(string)	同findall()函數
r.sub(replace,string[,count])	同sub()函數
r.subn(replace,string[,count])	同subn()函數
r.flags	建立對象時定義的標誌
r.groupindex	將r'( Pid)'定義的符號組名字映射為組序號的字典
r.pattern	在建立對象時使用的模式

逸出字元串用re.escape()函數。

通過getattr擷取對象引用

代碼如下:

>>> li=['a','b']
>>> getattr(li,'append')
>>> getattr(li,'append')('c') #相當於li.append('c')
>>> li
['a', 'b', 'c']
>>> handler=getattr(li,'append',None)
>>> handler

>>> handler('cc') #相當於li.append('cc')
>>> li
['a','b','c','cc']
>>>result = handler('bb')
>>>li
['a','b','c','cc','bb']
>>>print result
None

