Python：正則表達式
#正則表達式內容非常多，網上的學習資源也是目不暇接，我從中篩選學習並且整理出以下 的學習筆記
一、正則表達式匹配過程：
1.依次拿出表達式和文本中的字符比較
2.如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗
3.如果表達式中有量詞或邊界，這個過程會稍微有一些不同
二、語法規則
在正則表達式中，如果直接給出字符，就是精確匹配。
用\d可以匹配一個數字，\w可以匹配一個字母或數字，所以：
- ‘00\d‘可以匹配‘007‘，但無法匹配‘00A‘；
- ‘\d\d\d‘可以匹配‘010‘；
- ‘\w\w\d‘可以匹配‘py3‘；
.可以匹配任意字符，所以：
- ‘py.‘可以匹配‘pyc‘、‘pyo‘、‘py!‘等等。
要匹配變長的字符，在正則表達式中，用*表示任意個字符（包括0個），用+表示至少一個字符，用?表示0個或1個字符，用{n}表示n個字符，用{n,m}表示n-m個字符：
來看一個復雜的栗子：\d{3}\s+\d{3,8}。
- \d{3}表示匹配3個數字，例如‘010‘；
- \s可以匹配一個空格（也包括Tab等空白符），所以\s+表示至少有一個空格，例如匹配‘ ‘，‘ ‘等；
- \d{3,8}表示3-8個數字，例如‘1234567‘。
綜合起來，上面的正則表達式可以匹配以任意個空格隔開的帶區號的電話號碼。
如果要匹配‘010-12345‘這樣的號碼呢？由於‘-‘是特殊字符，在正則表達式中，要用‘\‘轉義，所以，上面的正則是\d{3}\-\d{3,8}
但是，仍然無法匹配‘010 - 12345‘，因為帶有空格。所以我們需要更復雜的匹配方式。
要做更精確地匹配，可以用[]表示範圍，比如：
- [0-9a-zA-Z\_]可以匹配一個數字、字母或者下劃線；
- [0-9a-zA-Z\_]+可以匹配至少由一個數字、字母或者下劃線組成的字符串，比如‘a100‘，‘0_Z‘，‘Py3000‘等等；
- [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下劃線開頭，後接任意個由一個數字、字母或者下劃線組成的字符串，也就是Python合法的變量；
- [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精確地限制了變量的長度是1-20個字符（前面1個字符+後面最多19個字符）。
A|B可以匹配A或B，所以(P|p)ython可以匹配‘Python‘或者‘python‘。
^表示行的開頭，^\d表示必須以數字開頭。
$表示行的結束，\d$表示必須以數字結束。
例如:py也可以匹配‘python‘，但是加上^py$就變成了整行匹配，就只能匹配‘py‘了。
三、正則表達式相關註解
1.數量詞 * + ？{}等的貪婪模式和費貪婪模式
正則匹配默認是貪婪匹配，也就是匹配盡可能多的字符。舉例如下，匹配出數字後面的0：
>>> re.match(r‘^(\d+)(0*)$‘, ‘102300‘).groups() (‘102300‘, ‘‘)
由於\d+采用貪婪匹配，直接把後面的0全部匹配了，結果0*只能匹配空字符串了。
必須讓\d+采用非貪婪匹配（也就是盡可能少匹配），才能把後面的0匹配出來，加個?就可以讓\d+采用非貪婪匹配：
>>> re.match(r‘^(\d+?)(0*)$‘, ‘102300‘).groups() (‘1023‘, ‘00‘)
註：我們一般使用非貪婪模式來提取
2.反斜杠問題
正則表達式裏使用”\”作為轉義字符，這就可能造成反斜杠困擾。Python裏的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用r”\\”表示。同樣，匹配一個數字的”\\d”可以寫成r”\d”。
四、re模塊
#返回pattern對象 re.compile(string[,flag]) #以下為匹配所用函數 re.match(pattern, string[, flags]) re.search(pattern, string[, flags]) re.split(pattern, string[, maxsplit]) re.findall(pattern, string[, flags]) re.finditer(pattern, string[, flags]) re.sub(pattern, repl, string[, count]) re.subn(pattern, repl, string[, count])
pattern可以理解為一個匹配模式，那麽我們怎麽獲得這個匹配模式呢？很簡單，我們需要利用re.compile方法就可以。例如
pattern = re.compile(r‘hello‘)
在參數中我們傳入了原生字符串對象，通過compile方法編譯生成一個pattern對象，然後我們利用這個對象來進行進一步的匹配。
#以下介紹是否使用compile的情況
1. 使用re.compile
re模塊中包含一個重要函數是compile(pattern [, flags]) ，該函數根據包含的正則表達式的字符串創建模式對象。可以實現更有效率的匹配。在直接使用字符串表示的正則表達式進行search,match和findall操作時，python會將字符串轉換為正則表達式對象。而使用compile完成一次轉換之後，在每次使用模式的時候就不用重復轉換。當然，使用re.compile()函數進行轉換後，re.search(pattern, string)的調用方式就轉換為 pattern.search(string)的調用方式。
其中，後一種調用方式中，pattern是用compile創建的模式對象。如下:
>>> import re >>> some_text = ‘a,b,,,,c d‘ >>> reObj = re.compile(‘[, ]+‘) >>> reObj.split(some_text) [‘a‘, ‘b‘, ‘c‘, ‘d‘]
2.不使用re.compile
在進行search,match等操作前不適用compile函數，會導致重復使用模式時，需要對模式進行重復的轉換。降低匹配速度。而此種方法的調用方式，更為直觀。如下:
>>> import re >>> some_text = ‘a,b,,,,c d‘ >>> re.split(‘[, ]+‘,some_text) [‘a‘, ‘b‘, ‘c‘, ‘d‘]
（1）re.match(pattern, string[, flags])
這個方法將會從string（我們要匹配的字符串）的開頭開始，嘗試匹配pattern，一直向後匹配，如果遇到無法匹配的字符，立即返回 None，如果匹配未結束已經到達string的末尾，也會返回None。兩個結果均表示匹配失敗，否則匹配pattern成功，同時匹配終止，不再對 string向後匹配。
# -*- coding: utf-8 -*- #導入re模塊 import re # 將正則表達式編譯成Pattern對象，註意hello前面的r的意思是“原生字符串” pattern = re.compile(r‘hello‘) # 使用re.match匹配文本，獲得匹配結果，無法匹配時將返回None result1 = re.match(pattern,‘hello‘) result2 = re.match(pattern,‘helloo CQC!‘) result3 = re.match(pattern,‘helo CQC!‘) result4 = re.match(pattern,‘hello CQC!‘) #如果1匹配成功 if result1: # 使用Match獲得分組信息 print result1.group() else: print ‘1匹配失敗！‘ #如果2匹配成功 if result2: # 使用Match獲得分組信息 print result2.group() else: print ‘2匹配失敗！‘ #如果3匹配成功 if result3: # 使用Match獲得分組信息 print result3.group() else: print ‘3匹配失敗！‘ #如果4匹配成功 if result4: # 使用Match獲得分組信息 print result4.group() else: print ‘4匹配失敗！‘ #運行結果 hello hello 3匹配失敗！ hello
#下面說明match的對象和方法
屬性：
1.string: 匹配時使用的文本。
2.re: 匹配時使用的Pattern對象。
3.pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
4.endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
5.lastindex: 最後一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
6.lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。
方法：
1.group([group1, …]):
獲得一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最後一次截獲的子串。
2.groups([default]):
以元組形式返回全部分組截獲的字符串。相當於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。
3.groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
4.start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。
5.end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最後一個字符的索引+1）。group默認值為0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中然後返回。template中可以使用\id或\g、\g引用分組，但不能使用編號0。\id與\g是等價的；但\10將被認為是第10個分組，如果你想表達\1之後是字符‘0‘，只能使用\g0。
# -*- coding: utf-8 -*- #一個簡單的match實例 import re # 匹配如下內容：單詞+空格+單詞+任意字符 m = re.match(r‘(\w+) (\w+)(?P.*)‘, ‘hello world!‘) print "m.string:", m.string print "m.re:", m.re print "m.pos:", m.pos print "m.endpos:", m.endpos print "m.lastindex:", m.lastindex print "m.lastgroup:", m.lastgroup print "m.group():", m.group() print "m.group(1,2):", m.group(1, 2) print "m.groups():", m.groups() print "m.groupdict():", m.groupdict() print "m.start(2):", m.start(2) print "m.end(2):", m.end(2) print "m.span(2):", m.span(2) print r"m.expand(r‘\g \g\g‘):", m.expand(r‘\2 \1\3‘) # 輸出結果 # m.string: hello world! # m.re: # m.pos: 0 # m.endpos: 12 # m.lastindex: 3 # m.lastgroup: sign # m.group(1,2): (‘hello‘, ‘world‘) # m.groups(): (‘hello‘, ‘world‘, ‘!‘) # m.groupdict(): {‘sign‘: ‘!‘} # m.start(2): 6 # m.end(2): 11 # m.span(2): (6, 11) # m.expand(r‘\2 \1\3‘): world hello!
（2）re.search(pattern, string[, flags])
search方法與match方法極其類似，區別在於match()函數只檢測re是不是在string的開始位置匹配，search()會掃描整個string查找匹配，match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match()就返回None。同樣，search方法的返回對象同樣match()返回對象的方法和屬性。
#導入re模塊 import re # 將正則表達式編譯成Pattern對象 pattern = re.compile(r‘world‘) # 使用search()查找匹配的子串，不存在能匹配的子串時將返回None # 這個例子中使用match()無法成功匹配 match = re.search(pattern,‘hello world!‘) if match: # 使用Match獲得分組信息 print match.group() # 輸出結果#world
（3）re.split(pattern, string[, maxsplit])
按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。
import re pattern = re.compile(r‘\d+‘) print re.split(pattern,‘one1two2three3four4‘) # 輸出結果 # [‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘‘]
（4）re.findall(pattern, string[, flags])
搜索string，以列表形式返回全部能匹配的子串。#這條應用很多
import re pattern = re.compile(r‘\d+‘) print re.findall(pattern,‘one1two2three3four4‘) # 輸出結果 # [‘1‘, ‘2‘, ‘3‘, ‘4‘]
（5）re.finditer(pattern, string[, flags])
搜索string，返回一個順序訪問每一個匹配結果（Match對象）的叠代器。
import re pattern = re.compile(r‘\d+‘) for m in re.finditer(pattern,‘one1two2three3four4‘): print m.group(), #輸出結果 # 1 2 3 4
（6）re.sub(pattern, repl, string[, count])
使用repl替換string中每一個匹配的子串後返回替換後的字符串。
當repl是一個字符串時，可以使用\id或\g、\g引用分組，但不能使用編號0。
當repl是一個方法時，這個方法應當只接受一個參數（Match對象），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。
count用於指定最多替換次數，不指定時全部替換。
import re pattern = re.compile(r‘(\w+) (\w+)‘) s = ‘i say, hello world!‘ print re.sub(pattern,r‘\2 \1‘, s) def func(m): return m.group(1).title() + ‘ ‘ + m.group(2).title() print re.sub(pattern,func, s) #輸出結果 # say i, world hello! # I Say, Hello World!
（7）re.subn(pattern, repl, string[, count])
返回 (sub(repl, string[, count]), 替換次數)。
import re pattern = re.compile(r‘(\w+) (\w+)‘) s = ‘i say, hello world!‘ print re.subn(pattern,r‘\2 \1‘, s) def func(m): return m.group(1).title() + ‘ ‘ + m.group(2).title() print re.subn(pattern,func, s) #輸出結果 # (‘say i, world hello!‘, 2) # (‘I Say, Hello World!‘, 2)
學習資源來自：
https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/00143193331387014ccd1040c814dee8b2164bb4f064cff000
http://www.jb51.net/article/65286.htm
https://www.cnblogs.com/nomorewzx/p/4203829.html
http://crossincode.com/home/
Python：正則表達式