点击上方“AI遇见机器学习”，选择“星标”公众号

重磅干货，第一时间送达

编辑：爱学AI

来源：geekvi   链接：

www.segmentfault.com/a/1190000007929344

简介

正则表达式（regular expression）是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串，可以匹配其自身。比如，正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。

要注意的是，正则表达式并不是一个程序，而是用于处理字符串的一种模式，如果你想用它来处理字符串，就必须使用支持正则表达式的工具，比如 Linux 中的 awk, sed, grep，或者编程语言 Perl, Python, Java 等等。

正则表达式有多种不同的风格，下表列出了适用于 Python 或 Perl 等编程语言的部分元字符以及说明：

re 模块

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，比如，为了匹配字符串  python.org ，我们需要使用正则表达式  python.org ，而 Python 的字符串本身也用 转义，所以上面的正则表达式在 Python 中应该写成  python.org ，这会很容易陷入 的困扰中，因此，我们建议使用 Python 的原始字符串，只需加一个 r 前缀，上面的正则表达式可以写成：

r python.org

re 模块提供了不少有用的函数，用以匹配字符串，比如：

• compile 函数

• match 函数

• search 函数

• findall 函数

• finditer 函数

• split 函数

• sub 函数

• subn 函数

re 模块的一般使用步骤如下：

• 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象

• 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果（一个 Match 对象）

• 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

• compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

re.compile(pattern[, flag])

其中，pattern 是一个字符串形式的正则表达式，flag 是一个可选参数，表示匹配模式，比如忽略大小写，多行模式等。

下面，让我们看看例子。

import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(r d+ )

在上面，我们已将一个正则表达式编译成 Pattern 对象，接下来，我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。Pattern 对象的一些常用方法主要有：

• match 方法

• search 方法

• findall 方法

• finditer 方法

• split 方法

• sub 方法

• subn 方法

• match 方法

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。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，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

看看例子。

>>> import re

>>> pattern = re.compile(r d+ )                    # 用于匹配至少一个数字

>>> m = pattern.match( one12twothree34four )        # 查找头部，没有匹配

>>> print m

None

>>> m = pattern.match( one12twothree34four , 2, 10) # 从 e 的位置开始匹配，没有匹配

>>> print m

None

>>> m = pattern.match( one12twothree34four , 3, 10) # 从 1 的位置开始匹配，正好匹配

>>> print m                                         # 返回一个 Match 对象

<_sre.SRE_Match object at 0x10a42aac0>

>>> m.group(0)   # 可省略 0

12

>>> m.start(0)   # 可省略 0

3

>>> m.end(0)     # 可省略 0

5

>>> m.span(0)    # 可省略 0

(3, 5)

在上面，当匹配成功时返回一个 Match 对象，其中：

• group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；

• start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；

• end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；

• span([group]) 方法返回 (start(group), end(group))。

再看看一个例子：

>>> import re

>>> pattern = re.compile(r ([a-z]+) ([a-z]+) , re.I)   # re.I 表示忽略大小写

>>> m = pattern.match( Hello World Wide Web )

>>> print m                               # 匹配成功，返回一个 Match 对象

<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0)                            # 返回匹配成功的整个子串

Hello World

>>> m.span(0)                             # 返回匹配成功的整个子串的索引

(0, 11)

>>> m.group(1)                            # 返回第一个分组匹配成功的子串

Hello

>>> m.span(1)                             # 返回第一个分组匹配成功的子串的索引

(0, 5)

>>> m.group(2)                            # 返回第二个分组匹配成功的子串

World

>>> m.span(2)                             # 返回第二个分组匹配成功的子串

(6, 11)

>>> m.groups()                            # 等价于 (m.group(1), m.group(2), ...)

( Hello ,  World )

>>> m.group(3)                            # 不存在第三个分组

Traceback (most recent call last):

File "", 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，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

让我们看看例子：

>>> import re

>>> pattern = re.compile( d+ )

>>> m = pattern.search( one12twothree34four )  # 这里如果使用 match 方法则不匹配

>>> m

<_sre.SRE_Match object at 0x10cc03ac0>

>>> m.group()

12

>>> m = pattern.search( one12twothree34four , 10, 30)  # 指定字符串区间

>>> m

<_sre.SRE_Match object at 0x10cc03b28>

>>> m.group()

34

>>> m.span()

(13, 15)

再来看一个例子：

# -*- coding: utf-8 -*-

import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(r d+ )

# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None

# 这里使用 match() 无法成功匹配

m = pattern.search( hello 123456 789 )

if m:

# 使用 Match 获得分组信息

print  matching string: ,m.group()

print  position: ,m.span()

执行结果：

matching string: 123456

position: (6, 12)

findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。

findall 方法的使用形式如下：

findall(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

看看例子：

import re

pattern = re.compile(r d+ )   # 查找数字

result1 = pattern.findall( hello 123456 789 )

result2 = pattern.findall( one1two2three3four4 , 0, 10)

print result1

print result2

执行结果：

[ 123456 ,  789 ]

[ 1 ,  2 ]

finditer 方法

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

看看例子：

# -*- coding: utf-8 -*-

import re

pattern = re.compile(r d+ )

result_iter1 = pattern.finditer( hello 123456 789 )

result_iter2 = pattern.finditer( one1two2three3four4 , 0, 10)

print type(result_iter1)

print type(result_iter2)

print  result1...

for m1 in result_iter1:   # m1 是 Match 对象

print  matching string: {}, position: {} .format(m1.group(), m1.span())

print  result2...

for m2 in result_iter2:

print  matching string: {}, position: {} .format(m2.group(), m2.span())

执行结果：

<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 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

看看例子：

import re

p = re.compile(r [s,;]+ )

print p.split( a,b;; c   d )

执行结果：

[ a ,  b ,  c ,  d ]

sub 方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

• 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；

• 如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。

• count 用于指定最多替换次数，不指定时全部替换。

看看例子：

import re

p = re.compile(r (w+) (w+) )

s =  hello 123, hello 456

def func(m):

return  hi  +     + m.group(2)

print p.sub(r hello world , s)  # 使用  hello world  替换  hello 123  和  hello 456

print p.sub(r   , s)        # 引用分组

print p.sub(func, s)

print p.sub(func, s, 1)         # 最多替换一次

执行结果：

hello world, hello world

123 hello, 456 hello

hi 123, hi 456

hi 123, hello 456

subn 方法

subn 方法跟 sub 方法的行为类似，也用于替换。它的使用形式如下：

subn(repl, string[, count])

它返回一个元组：

(sub(repl, string[, count]), 替换次数)

元组有两个元素，第一个元素是使用 sub 方法的结果，第二个元素返回原字符串被替换的次数。

看看例子：

import re

p = re.compile(r (w+) (w+) )

s =  hello 123, hello 456

def func(m):

return  hi  +     + m.group(2)

print p.subn(r hello world , s)

print p.subn(r   , s)

print p.subn(func, s)

print p.subn(func, s, 1)

执行结果：

( hello world, hello world , 2)

( 123 hello, 456 hello , 2)

( hi 123, hi 456 , 2)

( hi 123, hello 456 , 1)

其他函数

事实上，使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的，但在使用上有细微差别。

match 函数

match 函数的使用形式如下：

re.match(pattern, string[, flags]):

其中，pattern 是正则表达式的字符串形式，比如 d+, [a-z]+。

而 Pattern 对象的 match 方法使用形式是：

match(string[, pos[, endpos]])

可以看到，match 函数不能指定字符串的区间，它只能搜索头部，看看例子：

import re

m1 = re.match(r d+ ,  One12twothree34four )

if m1:

print  matching string: ,m1.group()

else:

print  m1 is: ,m1

m2 = re.match(r d+ ,  12twothree34four )

if m2:

print  matching string: , m2.group()

else:

print  m2 is: ,m2

执行结果：

m1 is: None

matching string: 12

search 函数

search 函数的使用形式如下：

re.search(pattern, string[, flags])

search 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 search 方法类似。

findall 函数

findall 函数的使用形式如下：

re.findall(pattern, string[, flags])

findall 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 findall 方法类似。

看看例子：

import re

print re.findall(r d+ ,  hello 12345 789 )

# 输出

[ 12345 ,  789 ]

finditer 函数

finditer 函数的使用方法跟 Pattern 的 finditer 方法类似，形式如下：

re.finditer(pattern, string[, flags])

split 函数

split 函数的使用形式如下：

re.split(pattern, string[, maxsplit])

sub 函数

sub 函数的使用形式如下：

re.sub(pattern, repl, string[, count])

subn 函数

subn 函数的使用形式如下：

re.subn(pattern, repl, string[, count])

到底用哪种方式

从上文可以看到，使用 re 模块有两种方式：

• 使用 re.compile 函数生成一个 Pattern 对象，然后使用 Pattern 对象的一系列方法对文本进行匹配查找；

• 直接使用 re.match, re.search 和 re.findall 等函数直接对文本匹配查找；

下面，我们用一个例子展示这两种方法。

先看第 1 种用法：

import re

# 将正则表达式先编译成 Pattern 对象

pattern = re.compile(r d+ )

print pattern.match( 123, 123 )

print pattern.search( 234, 234 )

print pattern.findall( 345, 345 )

再看第 2 种用法：

import re

print re.match(r d+ ,  123, 123 )

print re.search(r d+ ,  234, 234 )

print re.findall(r d+ ,  345, 345 )

如果一个正则表达式需要用到多次（比如上面的 d+），在多种场合经常需要被用到，出于效率的考虑，我们应该预先编译该正则表达式，生成一个 Pattern 对象，再使用该对象的一系列方法对需要匹配的文件进行匹配；而如果直接使用 re.match, re.search 等函数，每次传入一个正则表达式，它都会被编译一次，效率就会大打折扣。

因此，我们推荐使用第 1 种用法。

匹配中文

在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的 unicode 编码范围 主要在 [u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。

假设现在想把字符串 title = u 你好，hello，世界  中的中文提取出来，可以这么做：

# -*- coding: utf-8 -*-

import re

title = u 你好，hello，世界

pattern = re.compile(ur [一-龥]+ )

result = pattern.findall(title)

print result

注意到，我们在正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

执行结果:

[u 你好 , u 世界 ]

贪婪匹配

在 Python 中，正则匹配默认是贪婪匹配（在少数语言中可能是非贪婪），也就是匹配尽可能多的字符。

比如，我们想找出字符串中的所有 div 块：

import re

content =  aa

test1

bb

test2

cc

pattern = re.compile(r

.*

)

result = pattern.findall(content)

print result

执行结果：

[

test1

bb

test2

]

由于正则匹配是贪婪匹配，也就是尽可能多的匹配，因此，在成功匹配到第一个

时，它还会向右尝试匹配，查看是否还有更长的可以成功匹配的子串。

如果我们想非贪婪匹配，可以加一个 ?，如下：

import re

content =  aa

test1

bb

test2

cc

pattern = re.compile(r

.*?

)# 加上 ?

result = pattern.findall(content)

print result

结果：

[

test1

,

test2

]

小结

• re 模块的一般使用步骤如下：

1. 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象；

2. 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果（一个 Match 对象）；

3. 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作；

• Python 的正则匹配默认是贪婪匹配。

参考资料

• 正则表达式 – 维基百科

• Python正则表达式指南

欢迎关注我们，看通俗干货！