Python字元編碼與正則表示式指南
1. 字元編碼簡介
1.1. ASCII
ASCII(American Standard Code for Information Interchange)，是一種單位元組的編碼。計算機世界裡一開始只有英文，而單位元組可以表示256個不同的字元，可以表示所有的英文字元和許多的控制符號。不過ASCII只用到了其中的一半（\x80以下），這也是MBCS得以實現的基礎。
1.2. MBCS
然而計算機世界裡很快就有了其他語言，單位元組的ASCII已無法滿足需求。後來每個語言就制定了一套自己的編碼，由於單位元組能表示的字元太少，而且同時也需要與ASCII編碼保持相容，所以這些編碼紛紛使用了多位元組來表示字元，如GBxxx
這裡，IBM發明了一個叫Code Page的概念，將這些編碼都收入囊中並分配頁碼，GBK是第936頁，也就是CP936。所以，也可以使用CP936表示GBK。
MBCS(Multi-Byte Character Set)是這些編碼的統稱。目前為止大家都是用了雙位元組，所以有時候也叫做DBCS(Double-Byte Character Set)。必須明確的是，MBCS並不是某一種特定的編碼，Windows里根據你設定的區域不同，MBCS指代不同的編碼，而Linux裡無法使用MBCS作為編碼。在Windows中你看不到MBCS這幾個字元，因為微軟為了更加洋氣，使用了ANSI
1.3. Unicode
後來，有人開始覺得太多編碼導致世界變得過於複雜了，讓人腦袋疼，於是大家坐在一起拍腦袋想出來一個方法：所有語言的字元都用同一種字符集來表示，這就是Unicode。
最初的Unicode標準UCS-2使用兩個位元組表示一個字元，所以你常常可以聽到Unicode使用兩個位元組表示一個字元的說法。但過了不久有人覺得256*256太少了，還是不夠用，於是出現了UCS-4標準，它使用4個位元組表示一個字元，不過我們用的最多的仍然是UCS-2。
UCS(Unicode Character Set)還僅僅是字元對應碼位的一張表而已，比如"漢"這個字的碼位是6C49。字元具體如何傳輸和儲存則是由UTF
一開始這事很簡單，直接使用UCS的碼位來儲存，這就是UTF-16，比如，"漢"直接使用\x6C\x49儲存(UTF-16-BE)，或是倒過來使用\x49\x6C儲存(UTF-16-LE)。但用著用著美國人覺得自己吃了大虧，以前英文字母只需要一個位元組就能儲存了，現在大鍋飯一吃變成了兩個位元組，空間消耗大了一倍……於是UTF-8橫空出世。
UTF-8是一種很彆扭的編碼，具體表現在他是變長的，並且相容ASCII，ASCII字元使用1位元組表示。然而這裡省了的必定是從別的地方摳出來的，你肯定也聽說過UTF-8裡中文字元使用3個位元組來儲存吧？4個位元組儲存的字元更是在淚奔……（具體UCS-2是怎麼變成UTF-8的請自行搜尋）
另外值得一提的是BOM(Byte Order Mark)。我們在儲存檔案時，檔案使用的編碼並沒有儲存，開啟時則需要我們記住原先儲存時使用的編碼並使用這個編碼開啟，這樣一來就產生了許多麻煩。（你可能想說記事本開啟檔案時並沒有讓選編碼？不妨先開啟記事本再使用檔案 -> 開啟看看）而UTF則引入了BOM來表示自身編碼，如果一開始讀入的幾個位元組是其中之一，則代表接下來要讀取的文字使用的編碼是相應的編碼：
BOM_UTF8 '\xef\xbb\xbf'
BOM_UTF16_LE '\xff\xfe'
BOM_UTF16_BE '\xfe\xff'並不是所有的編輯器都會寫入BOM，但即使沒有BOM，Unicode還是可以讀取的，只是像MBCS的編碼一樣，需要另行指定具體的編碼，否則解碼將會失敗。
你可能聽說過UTF-8不需要BOM，這種說法是不對的，只是絕大多數編輯器在沒有BOM時都是以UTF-8作為預設編碼讀取。即使是儲存時預設使用ANSI(MBCS)的記事本，在讀取檔案時也是先使用UTF-8測試編碼，如果可以成功解碼，則使用UTF-8解碼。記事本這個彆扭的做法造成了一個BUG：如果你新建文字檔案並輸入"奼塧"然後使用ANSI(MBCS)儲存，再開啟就會變成"漢a"，你不妨試試 ：）
2. Python2.x中的編碼問題
2.1. str和unicode
str和unicode都是basestring的子類。嚴格意義上說，str其實是位元組串，它是unicode經過編碼後的位元組組成的序列。對UTF-8編碼的str'漢'使用len()函式時，結果是3，因為實際上，UTF-8編碼的'漢' == '\xE6\xB1\x89'。
unicode才是真正意義上的字串，對位元組串str使用正確的字元編碼進行解碼後獲得，並且len(u'漢') == 1。
再來看看encode()和decode()兩個basestring的例項方法，理解了str和unicode的區別後，這兩個方法就不會再混淆了：
# coding: UTF-8
u = u'漢'
print repr(u) # u'\u6c49'
s = u.encode('UTF-8')
print repr(s) # '\xe6\xb1\x89'
u2 = s.decode('UTF-8')
print repr(u2) # u'\u6c49'
# 對unicode進行解碼是錯誤的
# s2 = u.decode('UTF-8')
# 同樣，對str進行編碼也是錯誤的
# u2 = s.encode('UTF-8')需要注意的是，雖然對str呼叫encode()方法是錯誤的，但實際上Python不會丟擲異常，而是返回另外一個相同內容但不同id的str；對unicode呼叫decode()方法也是這樣。很不理解為什麼不把encode()和decode()分別放在unicode和str中而是都放在basestring中，但既然已經這樣了，我們就小心避免犯錯吧。
2.2. 字元編碼宣告
原始碼檔案中，如果有用到非ASCII字元，則需要在檔案頭部進行字元編碼的宣告，如下：
#-*- coding: UTF-8 -*-實際上Python只檢查#、coding和編碼字串，其他的字元都是為了美觀加上的。另外，Python中可用的字元編碼有很多，並且還有許多別名，還不區分大小寫，比如UTF-8可以寫成u8。參見http://docs.python.org/library/codecs.html#standard-encodings。
另外需要注意的是宣告的編碼必須與檔案實際儲存時用的編碼一致，否則很大機率會出現程式碼解析異常。現在的IDE一般會自動處理這種情況，改變聲明後同時換成宣告的編碼儲存，但文字編輯器控們需要小心 ：）
2.3. 讀寫檔案
內建的open()方法開啟檔案時，read()讀取的是str，讀取後需要使用正確的編碼格式進行decode()。write()寫入時，如果引數是unicode，則需要使用你希望寫入的編碼進行encode()，如果是其他編碼格式的str，則需要先用該str的編碼進行decode()，轉成unicode後再使用寫入的編碼進行encode()。如果直接將unicode作為引數傳入write()方法，Python將先使用原始碼檔案宣告的字元編碼進行編碼然後寫入。
# coding: UTF-8
f = open('test.txt')
s = f.read()
f.close()
print type(s) # <type 'str'>
# 已知是GBK編碼，解碼成unicode
u = s.decode('GBK')
f = open('test.txt', 'w')
# 編碼成UTF-8編碼的str
s = u.encode('UTF-8')
f.write(s)
f.close()# coding: GBK
import codecs
f = codecs.open('test.txt', encoding='UTF-8')
u = f.read()
f.close()
print type(u) # <type 'unicode'>
f = codecs.open('test.txt', 'a', encoding='UTF-8')
# 寫入unicode
f.write(u)
# 寫入str，自動進行解碼編碼操作
# GBK編碼的str
s = '漢'
print repr(s) # '\xba\xba'
# 這裡會先將GBK編碼的str解碼為unicode再編碼為UTF-8寫入
f.write(s)
f.close()2.4. 與編碼相關的方法
sys/locale模組中提供了一些獲取當前環境下的預設編碼的方法。
# coding:gbk
import sys
import locale
def p(f):
print '%s.%s(): %s' % (f.__module__, f.__name__, f())
# 返回當前系統所使用的預設字元編碼
p(sys.getdefaultencoding)
# 返回用於轉換Unicode檔名至系統檔名所使用的編碼
p(sys.getfilesystemencoding)
# 獲取預設的區域設定並返回元祖(語言, 編碼)
p(locale.getdefaultlocale)
# 返回使用者設定的文字資料編碼
# 文件提到this function only returns a guess
p(locale.getpreferredencoding)
# \xba\xba是'漢'的GBK編碼
# mbcs是不推薦使用的編碼，這裡僅作測試表明為什麼不應該用
print r"'\xba\xba'.decode('mbcs'):", repr('\xba\xba'.decode('mbcs'))
#在筆者的Windows上的結果(區域設定為中文(簡體, 中國))
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): ('zh_CN', 'cp936')
#locale.getpreferredencoding(): cp936
#'\xba\xba'.decode('mbcs'): u'\u6c49'3.一些建議
3.1. 使用字元編碼宣告，並且同一工程中的所有原始碼檔案使用相同的字元編碼宣告。
這點是一定要做到的。
3.2. 拋棄str，全部使用unicode。
按引號前先按一下u最初做起來確實很不習慣而且經常會忘記再跑回去補，但如果這麼做可以減少90%的編碼問題。如果編碼困擾不嚴重，可以不參考此條。
3.3. 使用codecs.open()替代內建的open()。
如果編碼困擾不嚴重，可以不參考此條。
3.4. 絕對需要避免使用的字元編碼：MBCS/DBCS和UTF-16。
這裡說的MBCS不是指GBK什麼的都不能用，而是不要使用Python里名為'MBCS'的編碼，除非程式完全不移植。
Python中編碼'MBCS'與'DBCS'是同義詞，指當前Windows環境中MBCS指代的編碼。Linux的Python實現中沒有這種編碼，所以一旦移植到Linux一定會出現異常！另外，只要設定的Windows系統區域不同，MBCS指代的編碼也是不一樣的。分別設定不同的區域執行2.4小節中的程式碼的結果：
#中文(簡體, 中國)
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): ('zh_CN', 'cp936')
#locale.getpreferredencoding(): cp936
#'\xba\xba'.decode('mbcs'): u'\u6c49'
#英語(美國)
#sys.getdefaultencoding(): UTF-8
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): ('zh_CN', 'cp1252')
#locale.getpreferredencoding(): cp1252
#'\xba\xba'.decode('mbcs'): u'\xba\xba'
#德語(德國)
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): ('zh_CN', 'cp1252')
#locale.getpreferredencoding(): cp1252
#'\xba\xba'.decode('mbcs'): u'\xba\xba'
#日語(日本)
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): ('zh_CN', 'cp932')
#locale.getpreferredencoding(): cp932
#'\xba\xba'.decode('mbcs'): u'\uff7a\uff7a'可見，更改區域後，使用mbcs解碼得到了不正確的結果，所以，當我們需要使用'GBK'時，應該直接寫'GBK'，不要寫成'MBCS'。
UTF-16同理，雖然絕大多數作業系統中'UTF-16'是'UTF-16-LE'的同義詞，但直接寫'UTF-16-LE'只是多寫3個字元而已，而萬一某個作業系統中'UTF-16'變成了'UTF-16-BE'的同義詞，就會有錯誤的結果。實際上，UTF-16用的相當少，但用到的時候還是需要注意。
4. 正則表示式基礎
4.1. 簡單介紹
正則表示式並不是Python的一部分。正則表示式是用於處理字串的強大工具，擁有自己獨特的語法以及一個獨立的處理引擎，效率上可能不如str自帶的方法，但功能十分強大。得益於這一點，在提供了正則表示式的語言裡，正則表示式的語法都是一樣的，區別只在於不同的程式語言實現支援的語法數量不同；但不用擔心，不被支援的語法通常是不常用的部分。如果已經在其他語言裡使用過正則表示式，只需要簡單看一看就可以上手了。
下圖展示了使用正則表示式進行匹配的流程：
正則表示式的大致匹配過程是：依次拿出表示式和文字中的字元比較，如果每一個字元都能匹配，則匹配成功；一旦有匹配不成功的字元則匹配失敗。如果表示式中有量詞或邊界，這個過程會稍微有一些不同，但也是很好理解的，看下圖中的示例以及自己多使用幾次就能明白。
下圖列出了Python支援的正則表示式元字元和語法：
4.2. 數量詞的貪婪模式與非貪婪模式
正則表示式通常用於在文字中查詢匹配的字串。Python裡數量詞預設是貪婪的（在少數語言裡也可能是預設非貪婪），總是嘗試匹配儘可能多的字元；非貪婪的則相反，總是嘗試匹配儘可能少的字元。例如：正則表示式"ab*"如果用於查詢"abbbc"，將找到"abbb"。而如果使用非貪婪的數量詞"ab*?"，將找到"a"。
4.3. 反斜槓的困擾
與大多數程式語言相同，正則表示式裡使用"\"作為轉義字元，這就可能造成反斜槓困擾。假如你需要匹配文字中的字元"\"，那麼使用程式語言表示的正則表示式裡將需要4個反斜槓"\\\\"：前兩個和後兩個分別用於在程式語言裡轉義成反斜槓，轉換成兩個反斜槓後再在正則表示式裡轉義成一個反斜槓。Python裡的原生字串很好地解決了這個問題，這個例子中的正則表示式可以使用r"\\"表示。同樣，匹配一個數字的"\\d"可以寫成r"\d"。有了原生字串，你再也不用擔心是不是漏寫了反斜槓，寫出來的表示式也更直觀。
4.4. 匹配模式
正則表示式提供了一些可用的匹配模式，比如忽略大小寫、多行匹配等，這部分內容將在Pattern類的工廠方法re.compile(pattern[, flags])中一起介紹。
5. re模組
5.1. 開始使用re
Python通過re模組提供對正則表示式的支援。使用re的一般步驟是先將正則表示式的字串形式編譯為Pattern例項，然後使用Pattern例項處理文字並獲得匹配結果（一個Match例項），最後使用Match例項獲得資訊，進行其他的操作。
# encoding: UTF-8
import re
# 將正則表示式編譯成Pattern物件
pattern = re.compile(r'hello')
# 使用Pattern匹配文字，獲得匹配結果，無法匹配時將返回None
match = pattern.match('hello world!')
if match:
# 使用Match獲得分組資訊
print match.group()
### 輸出 ###
# hellore.compile(strPattern[, flag]):
這個方法是Pattern類的工廠方法，用於將字串形式的正則表示式編譯為Pattern物件。 第二個引數flag是匹配模式，取值可以使用按位或運算子'|'表示同時生效，比如re.I | re.M。另外，你也可以在regex字串中指定模式，比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。
可選值有：
- re.I(re.IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
- M(MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
- S(DOTALL): 點任意匹配模式，改變'.'的行為
- L(LOCALE): 使預定字元類 \w \W \b \B \s \S 取決於當前區域設定
- U(UNICODE): 使預定字元類 \w \W \b \B \s \S \d \D 取決於unicode定義的字元屬性
- X(VERBOSE): 詳細模式。這個模式下正則表示式可以是多行，忽略空白字元，並可以加入註釋。以下兩個正則表示式是等價的：
a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")m = re.match(r'hello', 'hello world!')
print m.group()re模組還提供了一個方法escape(string)，用於將string中的正則表示式元字元如*/+/?等之前加上轉義符再返回，在需要大量匹配元字元時有那麼一點用。
5.2. Match
Match物件是一次匹配的結果，包含了很多關於此次匹配的資訊，可以使用Match提供的可讀屬性或方法來獲取這些資訊。
屬性：
- string: 匹配時使用的文字。
- re: 匹配時使用的Pattern物件。
- pos: 文字中正則表示式開始搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
- endpos: 文字中正則表示式結束搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
- lastindex: 最後一個被捕獲的分組在文字中的索引。如果沒有被捕獲的分組，將為None。
- 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：
- group([group1, …]):
獲得一個或多個分組截獲的字串；指定多個引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；不填寫引數時，返回group(0)；沒有截獲字串的組返回None；截獲了多次的組返回最後一次截獲的子串。 - groups([default]):
以元組形式返回全部分組截獲的字串。相當於呼叫group(1,2,…last)。default表示沒有截獲字串的組以這個值替代，預設為None。 - 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。 - start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group預設值為0。 - end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group預設值為0。 - span([group]):
返回(start(group), end(group))。 - 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<id>、\g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認為是第10個分組，如果你想表達\1之後是字元'0'，只能使用\g<1>0。
import re
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', '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(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'\2 \1\3'):", m.expand(r'\2 \1\3')
### output ###
# m.string: hello world!
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
# 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!5.3. Pattern
Pattern物件是一個編譯好的正則表示式，通過Pattern提供的一系列方法可以對文字進行匹配查詢。
Pattern不能直接例項化，必須使用re.compile()進行構造。
Pattern提供了幾個可讀屬性用於獲取表示式的相關資訊：
- pattern: 編譯時用的表示式字串。
- flags: 編譯時用的匹配模式。數字形式。
- groups: 表示式中分組的數量。
- groupindex: 以表示式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。
import re
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex
### output ###
# p.pattern: (\w+) (\w+)(?P<sign>.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {'sign': 3}例項方法[ | re模組方法]：
- match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match物件；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
pos和endpos的預設值分別為0和len(string)；re.match()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。
注意：這個方法並不是完全匹配。當pattern結束時若string還有剩餘字元，仍然視為成功。想要完全匹配，可以在表示式末尾加上邊界匹配符'$'。
示例參見2.1小節。 - search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
這個方法用於查詢字串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match物件；若無法匹配，則將pos加1後重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。
pos和endpos的預設值分別為0和len(string))；re.search()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。
# encoding: UTF-8 import re # 將正則表示式編譯成Pattern物件 pattern = re.compile(r'world') # 使用search()查詢匹配的子串，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 = pattern.search('hello world!') if match: # 使用Match獲得分組資訊 print match.group() ### 輸出 ### # world - split(string[, maxsplit]) | 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 p = re.compile(r'\d+') print p.split('one1two2three3four4') ### output ### # ['one', 'two', 'three', 'four', ''] - findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜尋string，以列表形式返回全部能匹配的子串。
import re p = re.compile(r'\d+') print p.findall('one1two2three3four4') ### output ### # ['1', '2', '3', '4'] - finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜尋string，返回一個順序訪問每一個匹配結果（Match物件）的迭代器。
import re p = re.compile(r'\d+') for m in p.finditer('one1two2three3four4'): print m.group(), ### output ### # 1 2 3 4 - sub(repl, string[, count]) | 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串。
當repl是一個字串時，可以使用\id或\g<id>、\g<name>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引數（Match物件），並返回一個字串用於替換（返回的字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 p = re.compile(r'(\w+) (\w+)') s = 'i say, hello world!' print p.sub(r'\2 \1', s) def func(m): return m.group(1).title() + ' ' + m.group(2).title() print p.sub(func, s) ### output ### # say i, world hello! # I Say, Hello World! - subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替換次數)。
import re p = re.compile(r'(\w+) (\w+)') s = 'i say, hello world!' print p.subn(r'\2 \1', s) def func(m): return m.group(1).title() + ' ' + m.group(2).title() print p.subn(func, s) ### output ### # ('say i, world hello!', 2) # ('I Say, Hello World!', 2)
以上就是Python對於正則表示式的支援。熟練掌握正則表示式是每一個程式設計師必須具備的技能，這年頭沒有不與字串打交道的程式了。筆者也處於初級階段，與君共勉，^_^
另外，圖中的特殊構造部分沒有舉出例子，用到這些的正則表示式是具有一定難度的。有興趣可以思考一下，如何匹配不是以abc開頭的單詞，^_^
全文結束