Python正则表达式操作指南

Python 自1.5版本起增加了re 模块,它提供 Perl 风格的正则表达式模式。Python 1.5之前版本则是通过 regex 模块提供 Emacs 风格的模式。Emacs 风格模式可读性稍差些,而且功能也不强,因此编写新代码时尽量不要再使用 regex 模块,当然偶尔你还是可能在老代码里发现其踪影。

Python正则表达式操作指南

简介

Python自1.5版本起增加了re模块，它提供Perl风格的正则表达式模式。Python1.5之前版本则是通过regex模块提供Emacs风格的模式。Emacs风格模式可读性稍差些，而且功能也不强，因此编写新代码时尽量不要再使用regex模块，当然偶尔你还是可能在老代码里发现其踪影。

就其本质而言，正则表达式（或RE）是一种小型的、高度专业化的编程语言，（在Python中）它内嵌在Python中，并通过re模块实现。使用这个小型语言，你可以为想要匹配的相应字符串集指定规则；该字符串集可能包含英文语句、e-mail地址、TeX命令或任何你想搞定的东西。然后你可以问诸如“这个字符串匹配该模式吗？”或“在这个字符串中是否有部分匹配该模式呢？”。你也可以使用RE以各种方式来修改或分割字符串。

正则表达式模式被编译成一系列的字节码，然后由用C编写的匹配引擎执行。在高级用法中，也许还要仔细留意引擎是如何执行给定RE，如何以特定方式编写RE以令生产的字节码运行速度更快。本文并不涉及优化，因为那要求你已充分掌握了匹配引擎的内部机制。正则表达式语言相对小型和受限（功能有限），因此并非所有字符串处理都能用正则表达式完成。当然也有些任务可以用正则表达式完成，不过最终表达式会变得异常复杂。碰到这些情形时，编写Python代码进行处理可能反而更好；尽管Python代码比一个精巧的正则表达式要慢些，但它更易理解。

简单模式

我们将从最简单的正则表达式学习开始。由于正则表达式常用于字符串操作，那我们就从最常见的任务：字符匹配下手。

有关正则表达式底层的计算机科学上的详细解释（确定性和非确定性有限自动机），你可以查阅编写编译器相关的任何教科书。

字符匹配

大多数字母和字符一般都会和自身匹配。例如，正则表达式test会和字符串“test”完全匹配。（你也可以使用大小写不敏感模式，它还能让这个RE匹配“Test”或“TEST”；稍后会有更多解释。）

Python 自1.5版本起增加了re 模块,它提供 Perl 风格的正则表达式模式。Python 1.5之前版本则是通过 regex 模块提供 Emacs 风格的模式。Emacs 风格模式可读性稍差些,而且功能也不强,因此编写新代码时尽量不要再使用 regex 模块,当然偶尔你还是可能在老代码里发现其踪影。

这个规则当然会有例外；有些字符比较特殊，它们和自身并不匹配，而是会表明应和一些特殊的东西匹配，或者它们会影响到RE其它部分的重复次数。本文很大篇幅专门讨论了各种元字符及其作用。

这里有一个元字符的完整列表；其含义会在本指南余下部分进行讨论。

.^$*+?{[]\|()

我们首先考察的元字符是"["和"]"。它们常用来指定一个字符类别，所谓字符类别就是你想匹配的一个字符集。字符可以单个列出，也可以用“-”号分隔的两个给定字符来表示一个字符区间。例如，[abc]将匹配"a","b",或"c"中的任意一个字符；也可以用区间[a-c]来表示同一字符集，和前者效果一致。如果你只想匹配小写字母，那么RE应写成[a-z].

元字符在类别里并不起作用。例如，[akm$]将匹配字符"a","k","m",或"$"中的任意一个；"$"通常用作元字符，但在字符类别里，其特性被除去，恢复成普通字符。

你可以用补集来匹配不在区间范围内的字符。其做法是把"^"作为类别的首个字符；其它地方的"^"只会简单匹配"^"字符本身。例如，[^5]将匹配除"5"之外的任意字符。

也许最重要的元字符是反斜杠"\"。做为Python中的字符串字母，反斜杠后面可以加不同的字符以表示不同特殊意义。它也可以用于取消所有的元字符，这样你就可以在模式中匹配它们了。举个例子，如果你需要匹配字符"["或"\"，你可以在它们之前用反斜杠来取消它们的特殊意义：\[或\\。

一些用"\"开始的特殊字符所表示的预定义字符集通常是很有用的，象数字集，字母集，或其它非空字符集。下列是可用的预设特殊字符：

\d匹配任何十进制数；它相当于类[0-9]。

\D匹配任何非数字字符；它相当于类[^0-9]。

\s匹配任何空白字符；它相当于类[\t\n\r\f\v]。

\S匹配任何非空白字符；它相当于类[^\t\n\r\f\v]。

\w匹配任何字母数字字符；它相当于类[a-zA-Z0-9_]。

\W匹配任何非字母数字字符；它相当于类[^a-zA-Z0-9_]。

这样特殊字符都可以包含在一个字符类中。如，[\s,.]字符类将匹配任何空白字符或","或"."。

Python 自1.5版本起增加了re 模块,它提供 Perl 风格的正则表达式模式。Python 1.5之前版本则是通过 regex 模块提供 Emacs 风格的模式。Emacs 风格模式可读性稍差些,而且功能也不强,因此编写新代码时尽量不要再使用 regex 模块,当然偶尔你还是可能在老代码里发现其踪影。

本节最后一个元字符是.。它匹配除了换行字符外的任何字符，在alternate模式（re.DOTALL）下它甚至可以匹配换行。"."通常被用于你想匹配“任何字符”的地方。重复

正则表达式第一件能做的事是能够匹配不定长的字符集，而这是其它能作用在字符串上的方法所不能做到的。不过，如果那是正则表达式唯一的附加功能的话，那么它们也就不那么优秀了。它们的另一个功能就是你可以指定正则表达式的一部分的重复次数。

我们讨论的第一个重复功能的元字符是*。*并不匹配字母字符"*"；相反，它指定前一个字符可以被匹配零次或更多次，而不是只有一次。

举个例子，ca*t将匹配"ct"(0个"a"字符),"cat"(1个"a"),"caaat"(3个"a"字符)等等。RE引擎有各种来自C的整数类型大小的内部限制，以防止它匹配超过20亿个"a"字符；你也许没有足够的内存去建造那么大的字符串，所以将不会累计到那个限制。

象*这样地重复是“贪婪的”；当重复一个RE时，匹配引擎会试着重复尽可能多的次数。如果模式的后面部分没有被匹配，匹配引擎将退回并再次尝试更小的重复。

一步步的示例可以使它更加清晰。让我们考虑表达式a[bcd]*b。它匹配字母"a"，零个或更多个来自类[bcd]中的字母，最后以"b"结尾。现在想一想该RE对字符串"abcbd"的匹配。Step

1

2

3

4

5

6

7MatchedaabcbdFailureabcbFailureabcabcbExplanationa匹配模式引擎匹配[bcd]*，并尽其所能匹配到字符串的结尾引擎尝试匹配b，但当前位置已经是字符的最后了，所以失败退回，[bcd]*尝试少匹配一个字符。再次尝次b，但在当前最后一位字符是"d"。再次退回，[bcd]*只匹配"bc"。再次尝试b，这次当前位上的字符正好是"b"

RE的结尾部分现在可以到达了，它匹配"abcb"。这证明了匹配引擎一开始会尽其所能进行匹配，如果没有匹配然后就逐步退回并反复尝试RE剩下 …… 此处隐藏：13554字，全部文档内容请下载后查看。喜欢就下载吧 ……