本篇將介紹python正則表達式戳玫，更多內(nèi)容請參考：【python正則表達式】
什么是正則表達式
正則表達式互订，又稱規(guī)則表達式驳糯，通常被用來檢索吼鳞、替換那些符合某個模式（規(guī)則）的文本。
正則表達式是對字符串操作的一種邏輯公式蔼两，就是用事先定義好的一些特定字符虑粥、及這些特定字符的組合，組成一個“規(guī)則字符串”宪哩，這個“規(guī)則字符串”用來表達對字符串的一些過濾邏輯。
給定一個正則表達式和另一個字符串第晰，我們可以達到如下的目的：
- 給定的字符串是否符合正則表達式的過濾邏輯(“匹配”)
-
通過正則表達式锁孟，從文本字符串中獲取到我們想要的特定部分（“過濾”）
正則表達式過程
正則表達式匹配規(guī)則
Python的re模塊
在python中，我們可以使用內(nèi)置的re模塊來使用正則表達式茁瘦。
有一點需要特別注意的是品抽，正則表達式使用對特殊字符進行轉(zhuǎn)義，所以如果我們要使用原始字符串甜熔，只需要一個r前綴圆恤，示例：
r'chuanzhiboke\t\.\tpython'
re模塊的一般使用步驟如下：
- 使用
compile()函數(shù)將正則表達式的字符串形式編譯為一個Pattern對象 - 通過
Pattern對象提供的一系列方法將文本進行匹配查找，獲得匹配結(jié)果(一個Match對象) - 最后使用
Match對象提供的屬性和方法獲得信息腔稀，根據(jù)需要進行其他的操作盆昙。
compile對象
compile函數(shù)用于編譯正則表達式羽历，生成一個Pattern對象，它的一般使用形式如下：
import re
#將正則表達式編譯為Pattern對象
pattern = re.compile(r'\d+')
在上面淡喜，我們已將一個正則表達式編譯成Pattern對象秕磷，接下來，我們就可以利用pattern的一系列方法對文本進行匹配查找了炼团。
Pattern對象的一些常用方法主要有：
- match對象：從起始位置開始查找澎嚣，一次匹配。
- search對象：從任何位置開始查找瘟芝，一次匹配易桃。
- findall()對象：全部匹配，返回列表锌俱。
- finditer()對象：全部匹配晤郑，返回迭代器。
- spilt()對象：分割字符串嚼鹉，返回列表
- sub()對象：替換
match 方法
match方法用于查找字符串的頭部(也可以指定起始位置)贩汉，它是一次匹配，只要找到了一個匹配的結(jié)果返回锚赤，而不是查找所有匹配的結(jié)果匹舞，它的一般使用形式如下：
match(string[, pos[, endpos]])
其中，string是待匹配的字符串线脚，pos和endpos是可選參數(shù)赐稽，指定字符串的起始和終點位置，默認值分別是0和len(字符串長度)浑侥。因此姊舵，當(dāng)你不指定pos和endpos時，match方法默認匹配字符串的頭部寓落。
當(dāng)匹配成功時括丁，返回一個Match對象，如果沒有匹配上伶选，則返回None史飞。
>>>import re
>>>pattern = re.compile(r'\d+') #用于匹配至少一個數(shù)字
>>>m = pattern.match('one12twothree34four') #查找頭部，沒有匹配
>>>print(m) #如果沒有匹配上仰税，就什么也不輸出
>>>m = pattern.match('one12twothree34four', 2, 10) #從'e'的位置開始匹配构资，沒有匹配到
>>>print(m)
>>>m = pattern.match('one12twothree34four', 3, 10) #從'1' 的位置開始匹配，正好匹配上
>>>print(m)
<_sre.SRE_Match object at 0x10a42aac0>
>>>m.group(0) #可忽略0
'12'
>>>m.start(0) #可忽略0
3
>>>m.end(0) #可忽略0
5
>>>m.span(0) #可忽略0
(3, 5)
在上面陨簇，當(dāng)匹配成功時返回一個Match對象吐绵，其中：
- group([group1,...])方法用于獲得一個或多個分組匹配的字符串，當(dāng)要獲得整個匹配字符串的子串時，可直接使用group()或group(0);
- start([group])方法用于獲取分組匹配的子串在整個字符串中的起始位置（子串第一個字符的索引）,參數(shù)默認值為0己单；
- end([group])方法用于獲取分組匹配的子串在整個字符串中的結(jié)束位置（子串最后一個字符的索引+1）,參數(shù)默認值是0
- span([group])方法返回(start[group], end(group))
>>>import re
>>>pattern = re.compile(r'([a-z]+) （[a-z]+)', re.I) #表示忽略大小寫
>>>m = pattern.match('hello world wide web')
>>>print(m) #匹配成功唉窃，返回一個Match對象
<_sre.SRE_Match object at 0x10bea83e8>
>>>m.group(0) #返回匹配成功的整個子串
'Hello World'
>>>m.span(0) #返回匹配成功的整個子串
(0, 11)
>>>m.group(1) #返回第一個分組匹配成功的子串
'Hello'
>>>m.span(1) #返回第一個分組匹配成功
(0, 5)
>>>m.group(2) #返回第2個分組匹配成功的子串
'World'
>>>m.span(2) #返回第2個分組匹配成功的子串的位置
(6, 11)
>>>m.groups() #等價于(m.group(1), m.group(2), ...)
('Hello', 'World')
>>>m.group(3) #不存在第3個分組
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: no such group
search方法
search方法用于查找字符串的任何位置，它也是一次匹配荷鼠，只要找到了一個匹配的結(jié)果就返回句携，而不是查找所有匹配的結(jié)果，它的一般使用形式如下：
search[string[, pos[, endpos]]]
其中允乐，string是待匹配的字符串矮嫉，pos和endpos是可選參數(shù)，指定字符串的起始和終點位置牍疏，默認值分別是0和len(字符串長度)蠢笋。
當(dāng)匹配成功時，返回一個Match對象鳞陨，如果沒有匹配上昨寞，則返回None。
讓我們看看例子：
>>>import re
>>>pattern = re.compile('\d+')
>>>m = pattern.search('one12twothree34four') #這里如果使用match方法則不匹配
>>>m
<_sre.SRE_Match object at 0x10cc03ac0>
>>>m.group()
'12'
>>>m = pattern.search('one12twothree34four', 10, 30) #指定字符串區(qū)間
>>>m
<_sre.SRE_Match object at 0x10cc03b28>
>>>m.group()
'34'
>>>m.span()
(13, 15)
在看一個例子：
# coding:utf-8
import re
#將正則表達式編譯成Pattern對象
pattern = re.compile(r'\d+')
#使用search()方法查找匹配的字符串厦滤，不存在匹配的子串時將不返回
m = pattern.search('hello 123456 789')
if m:
#使用Match獲得分組信息
print('matching string：',m.group())
#起始位置和結(jié)束位置
print('position: ',m.span())
執(zhí)行結(jié)果：
matching string: 123456
position:(6,12)
findall 方法
上面的match和search方法都是一次匹配援岩，只要找到了一個匹配的結(jié)果就返回。然而掏导，在大多數(shù)時候享怀，我們需要搜索整個字符串，獲得所有匹配的結(jié)果趟咆。
findall方法的使用形式如下：
findall(string[, pos[, endpos]])
其中添瓷，string是待匹配的字符串，pos和endpos是可選參數(shù)值纱，指定字符串的起始和終點位置分別是0和len(字符串長度)鳞贷。
findall是以列表形式返回全部能匹配到的子串，如果沒有匹配虐唠，則返回一個空列表搀愧。
import re
pattern = re.compile(r'\d+') #查找數(shù)字
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print(result1)
print(2)
執(zhí)行結(jié)果如下：
['123456', '789']
['1', '2']
再來看一個例子：
import re
#re模塊提供一個方法叫compile提供，提供我們輸入一個匹配的規(guī)則
#然后返回一個pattern實例疆偿，我們根據(jù)這個規(guī)則去匹配字符串
pattern = re.compile(r'd+\.\d*')
#通過pattern.findall()方法能夠全部匹配到我們得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
#findall以列表形式 返回全部能匹配到的子串給result
for item in result:
print(item)
運行結(jié)果：
123.141593
3.15
finditer方法
finditer方法的行為跟findall的行為類似咱筛，也是搜索整個字符串，獲得所有匹配的結(jié)果翁脆。但它返回一個順序訪問每一個匹配結(jié)果(Match對象)的迭代器。
#coding:utf-8
import re
pattern = re.compile(r'\d+')
result1 = pattern.finditer('hello 123456 789')
result2 = pattern.finditer('one1two2three3four4', 0, 10)
print(result1)
print(result2)
print('result1....')
for m1 in result1:
print("matching string:{} position:{}".format(m1.group(), m1.span()))
print('result2....')
for m2 in result2:
print("matching string:{} position:{}".format(m2.group(), m2.span()))
執(zhí)行結(jié)果：
<type 'callable-iterator'>
<type 'callable-iterator'>
result1.
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)
split 方法
split方法按照能夠匹配的子串將字符串分割后返回列表鼻种，它的使用形式如下：
split(string[, maxsplit])
其中反番，maxsplit用于指導(dǎo)最大分割次數(shù)，不知道靜全部分割。
看看例子：
import re
p = re.compile(r'[\s\,;]+')
print(p.split('a,b;;c d'))
執(zhí)行結(jié)果：
['a', 'b', 'c', 'd']
sub方法
sub方法用于替換罢缸。它的使用形式如下：
sub(repl, string[, count])
其中篙贸，repl可以是字符串也可以是一函數(shù)：
- 如果repl是字符串，則會使用repl去替換字符串每一個匹配的子串枫疆，并返回替換后的字符串爵川，repl還可以使用id的形式來引用過分組，但不能使用編號0息楔；
- 如果repl是函數(shù)寝贡，這個方法應(yīng)當(dāng)只接受一個參數(shù)(Match對象)，并返回一個字符串用于替換(返回的字符串中不能再引用分組)值依。
- count用于指導(dǎo)最多替換次數(shù)圃泡，不指定時全部替換。
看看例子：
import re
p = re.compile(r'(\w+) (\w+)') #\w=[A-Za-z0-9]
s = 'hello 123, hello 456'
print(p.sub(r'hello world', s)) #使用'hello world'替換'hello 123'和'hello 456'
print(p.sub(r'\2 \1', s))
def func(m):
return 'hi' + ' ' + m.group(2)
print(p.sub(func, s))
print(p.sub(func, s, 1))
執(zhí)行結(jié)果：
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
匹配中文
在某些情況下愿险，我們想要匹配文本中的漢字颇蜡，有一點需要注意的是，中文的unicode編碼范圍主要在[u4e00-u9fa5]辆亏，這里說主要是因為這個范圍并不完整风秤，比如沒有包括全角(中文)標(biāo)點，不過扮叨，在大部分情況下缤弦，應(yīng)該是夠用的。
假設(shè)現(xiàn)在想把字符串title=u'你好甫匹，hello甸鸟，世界'中的中文提取出來，可以這么做：
import re
title = u'你好兵迅，hello抢韭，世界'
pattern = re.compile(u'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print(result)
注意到，我們在正則表達式前面加上了前綴u恍箭，u表示unicode字符串刻恭。
執(zhí)行結(jié)果：
['你好', '世界']
注意：貪婪模式與非貪婪模式
- 貪婪模式：在整個表達式匹配成功的前提下，盡可能多的匹配(*);
- 非貪婪模式：在整個表達式匹配成功的前提下扯夭，盡可能少的匹配(?);
- Python里數(shù)量詞默認是貪婪的鳍贾。
實例一：源字符串：abbbc
- 使用貪婪的數(shù)量詞的正則表達式
ab+,匹配結(jié)果：abbb。
*決定了盡可能多匹配b交洗，所以a后面所有的b都出現(xiàn)了骑科。
- 使用非貪婪的數(shù)量詞的正則表達式
ab*?，匹配結(jié)果：a构拳。
即使前面有
*,但是?決定了盡可能少匹配b咆爽，所以沒有b梁棠。
實例二：源字符串：aa<div>test1</div>bb<div>test2</div>cc
- 使用貪婪的數(shù)量詞的正則表達式：
<div>.*</div> - 匹配結(jié)果：
<div>test1</div>bb<div>test2</div>
這里采用的是貪婪模式。在匹配到第一個“
</div>”時已經(jīng)可以使整個表達式匹配成功斗埂，但是由于采用的是貪婪模式符糊，所以仍然要向右嘗試匹配，查看是否還有更長的可以成功匹配的子串呛凶。匹配到第二個“</div>”后男娄，向右再沒有可以成功匹配的子串，匹配結(jié)束漾稀，匹配結(jié)果為“<div>test1</div>bb<div>test2</div>”
- 使用非貪婪的數(shù)量詞的正則表達式：
<div>.*?</div> - 匹配結(jié)果：
<div>test1</div>
正則表達式二采用的是非貪婪模式模闲，在匹配到第一個“
</div>”時使整個表達式匹配成功，由于采用的是非貪婪模式县好，所以結(jié)束匹配围橡，不再向右嘗試，匹配結(jié)果為“<div>test1</div>”缕贡。
