Python 正则学习

正则表达式 Regular Expression 的主要功能是从字符串（string）中通过特定的模式，搜索希望找到的内容。

1. re

Python 中可以使用包 re 来处理正则表达式。

下面是一个简单的应用，目的是找到字符串中的数字：

import re

m = re.search("[0-9]", "ab5cd4ef")
print(m.group())

re.search() 接收两个参数，第一个参数 [0-9] 就是我们所说的正则表达式，它告诉 Python，听着，我想从字符串中找从 0 到 9 的任意一个数字字符。

re.search() 如果从第二个参数中找到符合要求的子字符串，就返回一个对象 m，你可以通过 m.group() 的方法查看搜索到的结果。如果没有找到符合要求的字符，则 re.search() 会返回 None。

除了 search() 方法外，re 包还提供了其他搜索方法，它们的功能有所差别：

# 搜索整个字符串，直到发现符合的子字符串，如果没有发现返回 None
m = re.search(pattern, string)
# 从头开始检查字符串是否符合正则表达式。
# 必须从字符串的第一个字符开始就相符
m = re.match(pattern, string)

我们可以从这两个函数中选择一个进行搜索。上面的例子中，如果使用 re.match() 的话，则会得到 None，因为字符串的起始为 a，不符合 [0-9] 的要求。再一次，我们可以使用 m.group() 来查看找到的字符串。

我们还可以在搜索之后将搜索到的子字符串进行替换。下面的 sub() 利用正则 pattern 在字符串 string 中进行搜索。对于搜索到的字符串，用另一个字符串 replacement 进行替换。函数将返回替换后的字符串：

str = re.sub(pattern, replacement, string)

此外，常用的方法还有

# 根据正则表达式分割字符串，将分割后的所有子字符串
# 放在一个列表(list)中返回
re.split()
# 根据正则表达式搜索字符串，将所有符合条件的子字符串
# 放在一个列表(list)中返回
re.findall()

正则表达式的功能其实非常强大，关键在于如何写出有效的正则表达式。

我们先看正则表达式的常用语法。

正则表达式用某些符号代表单个字符：

正则表达式还可以用某些符号来表示某种形式的重复，这些符号紧跟在单个字符之后，就表示多个这样类似的字符

*

重复超过 0 次或更多次，尽量多的匹配字符串。
+

重复 1 次或超过 1 次
?

重复 0 次或 1 次
{m}

重复 m 次。比如，a{4} 相当于 aaaa，再比如，[1-3]{2} 相当于 [1-3][1-3]
{m, n}

重复 m 到 n 次。比如说 a{2, 5} 表示 a 重复 2 到 5 次。小于 m 次的重复，或者大于 n 次的重复都不符合条件
*?, +?, ??

*, +，和 ? 修饰符都是 贪婪 的；它们在字符串进行尽可能多的匹配。有时候并不需要这种行为。

如果正则式 <.*> 希望找到 <a> b <c>，它将会匹配整个字符串，而不仅是 <a>。

在修饰符之后添加 ? 将使样式以 非贪婪 方式进行匹配；尽量少的字符将会被匹配。

使用正则式 <.*?> 将会仅仅匹配 <a>
{m,n}?

非贪婪模式，只匹配尽量少的字符次数。比如，对于 aaaaaa， a{3,5} 匹配 5 个 a，而 a{3,5}? 只匹配 3 个 a。
|

或者，A|B，A 或 B，绝不贪婪

下面是重复符号的例子：

最后，还有位置相关的符号：

下面是位置符号的一些例子：

`正则表达`	`相符的字符串举例`	`不相符的字符串`
`^ab.*c$`	`abeec`	`cabeec`

有的时候，我们想在搜索的同时，对结果进一步提炼。比如说，我们从下面一个字符串中提取信息：

s = "abcd_output_1994_abcd_1912_abcd"

如果我们把正则表达式写成：

"output_\d{4}"

那么用 search() 方法可以找到 output_1994 。但如果我们想进一步提取出 1994 本身，则可以在正则表达式上给目标加上括号：

output_(\d{4})

括号 () 包围了一个小的正则表达式 \d{4}。这个小的正则表达式能从结果中进一步筛选信息，即四位的阿拉伯数字。用括号 () 圈起来的正则表达式的一部分，称为群（group）。一个正则表达式中可以有多个群。

我们可以 group(number) 的方法来查询群。需要注意的是，group(0) 是整个正则表达的搜索结果。group(1) 是第一个群，以此类推：

import re
m = re.search(r"output_(\d{4})", "output_1986.txt")
print(m.group(1)) # 将找到4个数字组成的1986

我们还可以将群命名，以便更好地使用 group 查询：

import re
m = re.search(r"output_(?P<year>\d{4})", "output_1986.txt") #(?P<name>...) 为group命名
print(m.group("year")) # 打印1986

上面的 (?P<year>…) 括住了一个群，并把它命名为 year。用这种方式来产生群，就可以通过 year 这个键来提取结果。

以上都是直接通过正则表达式来进行操作，很多时候为了更方便应用正则表达式，会将正则表达式的样式编译为一个正则表达式对象（正则对象），可以用于匹配，通过这个对象的方法进行操作，在特定情况下使正则应用更加高效。

pattern = re.compile(r"output_(\d{4})")
pattern.search("output_1986.txt")
pattern.search("output_1986.txt").group(1)

re.findall(r"^wo.*", "hello\nworld\nworld hello")
re.findall(r"^wo.*", "hello\nworld\nworld hello", flags=re.M)

re.findall(r"^wo.*", "hello\nworld\nWorld hello", flags=re.M)
re.findall(r"^wo.*", "hello\nworld\nWorld hello", flags=(re.M + re.I))