Python标准库 re

正则表达式 regular expression 用来匹配一系列符合句法规则的字符串，是一门独立的小型的语言，如果你了解类Unix系统，那么你对正则表达式就一定不陌生。正则表达式的概念最初是由Unix中的工具普及开的（如： sed   grep）。Python中也内嵌了正则表达式，通过re模块实现。正则表达式有什么用？例如你需要从一大段Html代码中把Email地址或图片链接等过滤出来，那么正则表达式就很有用。

主内容：   Python标准库01 正则表达式re包

出处：   Vamei   博客 http://www.cnblogs.com/vamei

因为归纳的比较直观，不需要再重写一篇。

---

补充

正则表达式中，group() 用来提出分组截获的字符串，( )包围了一个小的正则表达式。

>>> a = '123abc456'
>>> re.search("(\d{3})([a-z]{3})(\d{3})",a).group(0)
'123abc456'
>>> re.search("(\d{3})([a-z]{3})(\d{3})",a).group(1)
''
>>> re.search("(\d{3})([a-z]{3})(\d{3})",a).group(2)
'abc'
>>> re.search("(\d{3})([a-z]{3})(\d{3})",a).group(3)
''

一些正则用法：

>>> s= r'abc'                              #定义一个规则
>>> re.findall(s,'ababc123abc')            #字符串中满足规则便会返回结果，如果不符合，返回一个空列表
['abc','abc']
>>> re.findall(s,'abaaaaaaaa')
[]

转义 （如果需要匹配的字符串之中包含元字符怎么办？）

>>> r = r"\^\$abc"                  #  \^ \$ 把^和$的特殊含义转义掉了
>>> str = "^$abc abc ^abc $abc"
>>> re.findall(r,str)
['^$abc']

元字符

---

[ ]

>>> str = "top tip tap ttp tep"
>>> r1 = r"t[io]p"                            # t和p之间要么有i 要么有o
>>> re.findall(r1,str)
['top', 'tip']

>>> r1 = r"t[^io]p"          #在[]中字母前加 ^ 便表示取反
>>> re.findall(r1,str)
['tap', 'ttp', 'tep']

^ 和 $

>>> str = "name is , abcss"
>>> r = r"^na"
>>> re.findall(r,str)
['na']
>>>
>>> str = "name is , bob"
>>> r = r"bob$"
>>> re.findall(r,str)
['bob']

*  前一个字符重复0次或多次

>>> r =r"aa*"
>>> re.findall(r,'ab')
['a']
>>> re.findall(r,'aaaaaa')
['aaaaaa']
>>> re.findall(r,'aa')
['aa']
>>> re.findall(r,'a')
['a']

+ 匹配一次或多次，至少一次

>>> r =r"aa+"
>>> re.findall(r,'aa')
['aa']
>>> re.findall(r,'ab')
[]
>>> re.findall(r,'aaaaa')
['aaaaa']
>>> re.findall(r,'a')
[]

？ 匹配一次或0次，常表示可有可无

>>> r = r"^010-*\d{8}$"
>>> re.findall(r,'010-12345678')
['010-12345678']
>>> re.findall(r,'')
['']
>>> re.findall(r,'010-----12345678')    #这样无限输入也可以，不是我们需求的
['010-----12345678']

>>> r = r"^010-?\d{8}$"
>>> re.findall(r,'')
['']
>>> re.findall(r,'010-12345678')
['010-12345678']
>>> re.findall(r,'010---12345678')
[]

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为，贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配，而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配

贪婪模式

>>> r = r'what+'
>>> re.findall(r,'whatttttttttttt')
['whatttttttttttt']

非贪婪模式   ？ 加在重复的后面可以做最小匹配

>>> r = r'what+?'
>>> re.findall(r,'whatttttttttttt')
['what']

re 常用函数

---

findall()   找到匹配的所有字符串，并把它们作为一个列表返回

search()  扫描字符串，找到匹配的位置

match()   扫描字符串，匹配开头

>>> reg = re.compile(r'what')
>>> reg.findall('abcwhat')
['what']
>>> reg.match('abcwhat')                        # 没有匹配的内容则返回空
>>> reg.match('whatabc')
<_sre.SRE_Match object at 0x7f7d63e8c3d8>
>>> reg.search('abcwhat')                       # match和search的区别是match只匹配开头
<_sre.SRE_Match object at 0x7f7d63e8c440>
>>> reg.search('abcwh')

finditer()  找到匹配的所有字符串，并把它们作为一个迭代器返回

>>> s = reg.finditer('abcwhat what vvvwhat')
>>> s.next()                           # 返回的居然是match对象
<_sre.SRE_Match object at 0x7f7d63e8c440>
>>> s.next()
<_sre.SRE_Match object at 0x7f7d63e8c3d8>
>>> s.next()
<_sre.SRE_Match object at 0x7f7d63e8c440>
>>> s.next()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration
>>> 

re.sub()    字符串的replace()方法并不支持正则，我们需要用re.sub()来做替换

>>> s = "hello what"
>>> s.replace('w..t','world')
'hello what'
>>>
>>> r = r'w..t'
>>> re.sub(r,'world',s)
'hello world'

re.split()

>>> s = "123-456=789+000*111"
>>> re.split(r'[\+\-\=\*]',s)               #有些符号有特殊含义，需要转义一下
['', '', '', '', '']

编译标志 flags

---

DOTALL,S   使.匹配包括换行在内的所有字符

IGNORCASE,I  使匹配对大小写不敏感

LOCALE,L  做本地化识别 ，支持英文字母外其他语言的字母

MULTILINE,M  多行匹配，影响 ^和$

VERBOSE,X   能够使用REs的verbose状态，使之被组织的更清晰易懂

re.S

>>> r = r'google.com'
>>> re.findall(r,'google.com')
['google.com']
>>> re.findall(r,'googledcom')
['googledcom']
>>> re.findall(r,'googlexcom')
['googlexcom']
>>>
>>> re.findall(r,'google\ncom')
[]
>>> re.findall(r,'google\ncom',re.S)
['google\ncom']
>>> re.findall(r,'google\tcom',re.S)
['google\tcom']
>>> 

re.I

reg = re.compile(r'what')   #如果我们要让what不区分大小写，怎么办？ [Ww[Hh][Aa][Tt] 显然很麻烦，利用re包中的一个属性 re.I 可以不区分大小写.
reg = re.compile(r'what',re.I)

re.M

>>> s = """
... what abc
... abcwhat
... defwhat
... whatnnn
... """
>>> r = r"^what"
>>> re.findall(r,s)     #发现什么都没有，因为字符串是以换行符储存的
[]
>>> s
'\nwhat abc\nabcwhat\ndefwhat\nwhatnnn\n\n'
>>> re.findall(r,s,re.M)
['what', 'what']

re.X

>>> tel = r"""                      #这样定义会很直观
... \d{3,4}
... -?
... \d{8}
... """
>>> re.findall(tel,'010-87654321')
[]
>>> re.findall(tek,'010-87654321',re.X)
['010-87654321']

分组 ( .... )

---

>>> email = r"\w{3}@\w+(\.com|\.cn)"             #  \w+表示一个字母以上    |表示或，但是还需要加分组()，分组表示里面包含一个小正则
>>> re.match(email,'abc@google.com')
<_sre.SRE_Match object at 0x7f7d63e995d0>
>>> re.match(email,'abc@google.cn')
<_sre.SRE_Match object at 0x7f7d63e99648>

>>> re.match(email,'abc@google.org')
>>> re.findall(email,'abc@google.com')    # 有分组 findall会先返回分组的
['.com']

>>> print s
 asasrc=name com sakdak
sad
src=what com adad
addq
>>>
>>> r = r'src=.+ com'
>>> re.findall(r,s)
['src=name com', 'src=what com']    # 如果我只想返回src= 后面的字符串呢？
>>> r = r'src=(.+) com'
>>> re.findall(r,s)
['name', 'what']

---

图片来自    http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html