regex

1. 概要

正则表达式(Regular Expression, Regex) 用于文本内容的查找和替换。

Python 中所有正则表达式的函数都在标准库 re 中，故要 import re。

正则表达式的一般匹配步骤：

1. import re
2. 用 re.compile()函数将正则表达式的样式编译为一个Regex对象，可以用于匹配
3. 向 Regex 对象的 search()方法传入想查找的字符串，它返回一个Match对象
4. 调用 Match 对象的 group()方法，返回实际匹配文本的字符串。

向 re.compile()传入一个表示Regex的字符串值，它将返回一个 Regex 模式对象。注意：

1. 这意味着，re.compile()接收的是一个 Python 字符串，而由于 Python 字符串本身可能存在转义（且 Python 和 Regex 一样使用\来转义），即假设你传进去的字符串为 'abc\\'（5 个字符），它在 Python 中表示的实际上是'abc\' （4 个字符），故 re.compile()函数实际接收到的也是后者。

2. 所以为了保持一致性，最好在表示 Regex 的字符串前均加上 r 来禁止 Python 转义，此后 re.compile()接收到你传入的字符串后就会进行 Regex 的解析，即碰到''字符时将其视为 Regex 的转义符，以 Regex 规则来进行识别。

传递给 re.compile()的原始字符串中，\( 和 \) 转义字符将匹配实际的括号字符。

添加括号()将在正则表达式中创建分组，如(\d\d\d)-(\d\d\d-\d\d\d\d)。其中将第一对括号称为第 1 组，第二对括号是第 2 组。

Python 的 Regex 默认是贪心的，这表示在有二义的情况下，它们会尽可能匹配最长的字符串。可使用问号?来声明使用非贪心匹配，即匹配尽可能最短的字符串：

2. re.compile()函数

re.compile()的第二参数：

• re.IGNORECASE 或 re.I: 让正则表达式匹配不区分大小写

• re.DOTALL: 结合使用 .* 与 re.DOTALL，可以让句点字符匹配所有字符，包括换行字符

  

  

• re.VERBOSE: 让 re.compile()忽略正则表达式字符串中的空白符和注释，从而可以管理复杂的正则表达式。

  Regex 中字符串的注释规则与 python 代码一样。

  

  

re.compile()函数只接受一个值作为它的第二个参数，即re.I, re.DOTALL, re.VERBOSE只能在函数中出现一个，那么如何同时满足这些参数所能达到的功能呢？

• 这时就可以用管道字符来将他们结合起来，管道字符在这里称为“按位或”操作符。

• 如，希望 Regex 不区分大小写，并且句点字符匹配换行，就可以这样构造 re.compile()函数：

  someRegexValue = re.compile('foo', re.IGNORECASE | re.DOTALL)

管道

用管道匹配多个分组，字符|代表管道，意味着匹配许多表达式中的一个，类似于逻辑“或”：

也可以用管道来匹配多个模式中的一个，作为正则表达式的一部分，如以下意味着试图匹配 Batman、Batmobile、Batcopter、Batbat 中任意一个：

3. Regex 对象

Regex 对象的方法:

• .search(): 查找传入的字符串，寻找该正则表达式的所有匹配。返回一个 Match 对象或 None，其对应第一次匹配的文本

  

• .findall()

  • 若 Regex 对象无分组：返回一个字符串列表，包含被查找字符串中的所有匹配；

    

  • 若 Regex 对象有分组：返回元组的列表，每个元组表示一个找到的匹配，其中的项就是 Regex 中每个分组的匹配字符串。

    

• .sub(): 用新的文本替换掉匹配的文本模式。

  • 需要两个参数，第一个是一个字符串，用于取代发现的匹配；第 2 个是一个字符串，即正则表达式。返回值为替换完成后的字符串。

    

  • 有时候你可能需要使用匹配的文本本身作为替换的一部分。在 sub()的第 1 个参数中，可以输入\1, \2, \3……表示在替换中输入分组 1, 2, 3 的文本：

    

4. Match 对象

常用变量名 mo 代表一个 Match 对象

Match 对象的方法:

• .group(): 返回被查找字符串中实际匹配的文本。

  • 其不带参数或传入参数值 0，返回值为整个匹配的文本；

  • 传入参数 1 或 2，代表着返回第 1 或第 2 分组的匹配文本。

    

    

• .groups()：一次获取所有的分组，返回值为多个值的元组。

  

5. re.*函数

参见官方标准库文档。

函数re.split()是非常实用的，因为它允许你为分隔符指定多个正则模式。不过当你使用re.split()函数时，需要特别注意正则表达式中是否包含一个括号捕获分组，若使用了捕获分组，那么被匹配的文本也将出现在结果列表中。

字符串搜索和替换：

• 对于复杂模式，使用re.sub()函数，其第一个参数是被匹配的模式，第二个参数是替换模式

  

  其中反斜杠数字比如\3指向前面模式的捕获组号。

• 如果除了替换后的结果外，还需要知道有多少替换发生了，使用re.subn()函数

  

6. 特定符号

详见官方文档。

符号类型及含义：

符号	含义	示例
.	匹配除了换行之外的所有字符，但只匹配一个字符
^	在Regex开始处使用^表式字符必须发生在查找文本开始处
$	在Regex末尾处加上$表示匹配字符串尾，或换行符的前一个字符
*	意味着匹配零次或多次，即*之前的正则式可以在文本中出现任意次	ab* 匹配 'a', 'ab', 或'a'后面跟任意多个'b'
+	意味着匹配一次或多次，即+前面的正则式必须至少出现一次	ab+ 匹配 'a' 后面跟1个以上到任意个 'b'：
?	表示它前面的正则式匹配0到1次重复	ab? 会匹配 'a' 或 'ab'
.*	组合使用点-星符，表示除换行外的任意文本
^$	同时使用^$，表示整个字符串必须匹配该Regex模式
{}	指定其之前的正则式匹配固定（范围）次的重复	正则表达式(ha){3}将匹配hahaha 正则表达式(ha){3,5}将匹配hahaha, hahahaha 和 hahahahaha 正则表达式(ha){3,}将匹配3次及以上的文本
\	转义特殊字符（允许你匹配'*', '?' 或者此类其他）
[]	用[]定义自己的字符分类	如[aeiouAEIOU]将匹配所有元音字符 如字符分类[a-zA-Z0-9]将匹配所有小写字母、大写字母和数字
()	表示分组（组合），匹配括号内的任意Regex，并标识出组合的开始和结尾
\d	0到9的任何数字
\D	除0到9的数字以外的任何字符
\w	任何字母、数字或下划线字符（可以认为是匹配“单词”字符）
\W	除字母、数字和下划线以外的任何字符
\s	空格、制表符或换行符（可以认为是匹配“空白”字符）
\S	除空格、制表符和换行符以外的任何字符