Python正则表达式基础

fmwg 10年前

正则表达式是搜索、替换和解析复杂字符串的一种强大而标准的方法,Python中的正则相关的东西全在re模块下。

1 常用的匹配

^匹配字符串的开始

$匹配字符串的结尾

\b匹配一个单词的边界

\d匹配任意数字

\D匹配任意非数字字符

x?匹配一个可选的x(匹配1次或0次x字符)

x*匹配0次或多次x

x+匹配1次或多次x

x{n,m}至少n次,至多m次x

(a|b|c)要么匹配a,要么匹配b,要么匹配c

(x)一般情况下表示一个记忆组,你可以利用re.search函数返回对象的groups()函数来获取它的值

2 一般用途

#-------------------------------------------------------------------------------  # coding:        utf-8  # Purpose:正则表达式  #  # Author:      zdk  #  # Created:     26/02/2013  # Copyright:   (c) zdk 2013  #-------------------------------------------------------------------------------     import re  if __name__ == '__main__':      addr = "100 BROAD ROAD APT.3"      print(re.sub("ROAD","RD",addr)) # 100 BRD RD APT.3      print(re.sub(r"\bROAD\b","RD",addr)) # 100 BROAD RD APT.3      pattern = ".*B.*(ROAD)?"      print(re.search(pattern,"ROAD")) #None      print(re.search(pattern,"B")) #<_sre.SRE_Match object at 0x0230F020><span style="background-color:#FAFAFA;font-family:Monaco, 'DejaVu Sans Mono', 'Bitstream Vera Sans Mono', Consolas, 'Courier New', monospace;font-size:1em;line-height:1.5;">&nbsp;</span>


(1)re.sub("ROAD","RD",addr) 利用re.sub函数对字符串addr进行搜索,满足表达式"ROAD"的用“RD”替换

(2)re.sub(r"\bROAD\b","RD",addr) ,“\b”含义是“单词的边界”,在Python中,由于字符“\”在字符串中必须转义,这会变得非常麻烦,所以Python用前缀r表示字符串中的所有字符都不转义。

(3)re.search(pattern,"ROAD") re模块有一个search函数,该函数有两个参数,一个是正则表达式,一个是字符串,search函数返回一个拥有多种方法可以描述这个匹配的对象,如果没有发现匹配,则返回None。  

3 松散正则表达式

上面均是“紧凑”类型的表达式,它比较难以阅读,即使现在清楚表达式的含义,也不能保证几个月后还能记得。所以Python允许用户利用所谓的松散正则表达式来完成内联文档的需要,和一般的表达式有以下两个方面的主要区别

忽略空白符。空格符、制表符、回车符不匹配它们自身(如果你想在松散正则表达式中匹配一个空格符,你不须在它前面添加一个反斜杠符号对它进行转义)

忽略注释。和普通的Python代码一样,注释开始于#符号,结束于行尾。

#松散带有内联注释的正则表达式      pattern = """      ^   # begin of string      M{0,3} # 0 to 3 M      (CM|CD|D?C{0,3}) #CM or CD or D or D 0 to 3 C      $   #end of string      """      print(re.search(pattern,"MCM",re.VERBOSE)) #<_sre.SRE_Match object at 0x021BAF60>      print(re.search(pattern,"M99",re.VERBOSE)) #None

(1)当使用松散正则表达式时,最重要的一件事就是:必须传递一个额外的参数re.VERBOSE,它是re模块的一个常量,标志着待匹配的正则表达式是一个松散正则表达式。pattern的空格和注释都是被忽略的,但同时具有更好的可读性。

4 个例研究:解析电话号码

必须匹配如下电话号码:

800-555-1212

800 555 1212

800.555.1212

(800)555-1212

1-800-555-1212

800-555-1212-1234

800-555-1212x1234

800-555-1212 ext.1234

work 1-(800) 555,1212 #1234

格式比较多,我们需要知道的是800为区号,干线号为555,电话号的其他数字为1212,对于有分机号的,我们需要知道分机号为1234

phonePattern = re.compile(r'''      # don't match beginging of string  (\d{3}) # 3 digits  \D*     #any number of non-digits  (\d{3}) # 3 digits  \D*     #any number of non-digits  (\d{4}) # 4 digits  \D*     #any number of non-digits  (\d*)   #any number of digits  ''',re.VERBOSE)  print(phonePattern.search('work 1-(800)555.1212 #1234').groups()) #('800', '555', '1212', '1234')


print(phonePattern.search('work 1-(800)555.1212 #1234').groups()) #('800', '555', '1212', '1234')

(1)一个松散正则表达式如上, 首先匹配3个数字区号(不一定从第一个字符开始,所以没有用^),接着后面匹配任意多个非数字的字符,接着匹配3个数字干线号,接着匹配任意多个非数字的字符,接着匹配4个数字号码,接着匹配任意多个非数字的字符,接着匹配任意多个数字的分机号,然后用groups函数分组,得到正确的电话号码。