注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

Bioinformatics home

 
 
 

日志

 
 

python 正则表达式  

2010-10-30 13:32:56|  分类: 默认分类 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

正则表达式的大致匹配过程是:依次拿出表达式和文本中的字符比较,如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界,这个过程会稍微有一些不同,但也是很好理解的,看下图中的示例以及自己多使用几次就能明白。

下图列出了Python支持的正则表达式元字符和语法:  
pyre  


1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;非贪婪的则相反,总是尝试匹配尽可能少的字符。例如:正则表达式"ab*"如果用于查找"abbbc",将找到"abbb"。而如果使用非贪婪的数量词"ab*?",将找到"a"。


1.3. 反斜杠的困扰

与大多数编程语言相同,正则表达式里使用"\"作为转义字符,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\":前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题,这个例子中的正则表达式可以使用r"\\"表示。同样,匹配一个数字的"\\d"可以写成r"\d"。有了原生字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。


1.4. 匹配模式

正则表达式提供了一些可用的匹配模式,比如忽略大小写、多行匹配等,这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。


2. re模块
2.1. 开始使用re

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例,然后使用Pattern实例处理文本并获得匹配结果(一个Match实例),最后使用Match实例获得信息,进行其他的操作。


view source

print?

01

# encoding: UTF-8


02

import
re


03

 
 


04

# 将正则表达式编译成Pattern对象


05

pattern
=
re.
compile
(r
'hello'
)


06

 
 


07

# 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None


08

match
=
pattern.match(
'hello world!'
)


09

 
 


10

if
match:


11

    
# 使用Match获得分组信息


12

    
print
match.group()


13

 
 


14

### 输出 ###


15

# hello

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法,用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式,取值可以使用按位或运算符'|'表示同时生效,比如re.I | re.M。另外,你也可以在regex字符串中指定模式,比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。
可选值有:


re.I(re.IGNORECASE): 忽略大小写(括号内是完整写法,下同)
M(MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图)
S(DOTALL): 点任意匹配模式,改变'.'的行为
L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。以下两个正则表达式是等价的:
view source

print?

1

a
=
re.
compile
(r
"""\d +  # the integral part


2

                   
\.    # the decimal point


3

                   
\d *  # some fractional digits"""
, re.X)


4

b
=
re.
compile
(r
"\d+\.\d*"
)

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代,唯一的好处是少写一行re.compile()代码,但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为:


view source

print?

1

m
=
re.match(r
'hello'
,
'hello world!'
)


2

print
m.group()

re模块还提供了一个方法escape(string),用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回,在需要大量匹配元字符时有那么一点用。


2.2. Match

Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息。

属性:


string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。
lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。

方法:


group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。
groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。
groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。
start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
span([group]):
返回(start(group), end(group))。
expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组,但不能使用编号0。\id与\g<id>是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符'0',只能使用\g<1>0。
view source

print?

01

import
re


02

m
=
re.match(r
'(\w+) (\w+)(?P<sign>.*)'
,
'hello world!'
)


03

 
 


04

print
"m.string:"
, m.string


05

print
"m.re:"
, m.re


06

print
"m.pos:"
, m.pos


07

print
"m.endpos:"
, m.endpos


08

print
"m.lastindex:"
, m.lastindex


09

print
"m.lastgroup:"
, m.lastgroup


10

 
 


11

print
"m.group(1,2):"
, m.group(
1
,
2
)


12

print
"m.groups():"
, m.groups()


13

print
"m.groupdict():"
, m.groupdict()


14

print
"m.start(2):"
, m.start(
2
)


15

print
"m.end(2):"
, m.end(
2
)


16

print
"m.span(2):"
, m.span(
2
)


17

print
r
"m.expand(r'\2 \1\3'):"
, m.expand(r
'\2 \1\3'
)


18

 
 


19

### output ###


20

# m.string: hello world!


21

# m.re: <_sre.SRE_Pattern object at 0x016E1A38>


22

# m.pos: 0


23

# m.endpos: 12


24

# m.lastindex: 3


25

# m.lastgroup: sign


26

# m.group(1,2): ('hello', 'world')


27

# m.groups(): ('hello', 'world', '!')


28

# m.groupdict(): {'sign': '!'}


29

# m.start(2): 6


30

# m.end(2): 11


31

# m.span(2): (6, 11)


32

# m.expand(r'\2 \1\3'): world hello!

2.3. Pattern

Pattern对象是一个编译好的正则表达式,通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化,必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息:


pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典,没有别名的组不包含在内。
view source

print?

01

import
re


02

p
=
re.
compile
(r
'(\w+) (\w+)(?P<sign>.*)'
, re.DOTALL)


03

 
 


04

print
"p.pattern:"
, p.pattern


05

print
"p.flags:"
, p.flags


06

print
"p.groups:"
, p.groups


07

print
"p.groupindex:"
, p.groupindex


08

 
 


09

### output ###


10

# p.pattern: (\w+) (\w+)(?P<sign>.*)


11

# p.flags: 16


12

# p.groups: 3


13

# p.groupindex: {'sign': 3}

实例方法[ | re模块方法]:


match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern;如果pattern结束时仍可匹配,则返回一个Match对象;如果匹配过程中pattern无法匹配,或者匹配未结束就已到达endpos,则返回None。
pos和endpos的默认值分别为0和len(string);re.match()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
注意:这个方法并不是完全匹配。当pattern结束时若string还有剩余字符,仍然视为成功。想要完全匹配,可以在表达式末尾加上边界匹配符'$'。
示例参见2.1小节。
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern,如果pattern结束时仍可匹配,则返回一个Match对象;若无法匹配,则将pos加1后重新尝试匹配;直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string));re.search()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
view source

print?

01

# encoding: UTF-8 


02

import
re 


03

 
 


04

# 将正则表达式编译成Pattern对象 


05

pattern
=
re.
compile
(r
'world'



06

 
 


07

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


08

# 这个例子中使用match()无法成功匹配 


09

match
=
pattern.search(
'hello world!'



10

 
 


11

if
match: 


12

    
# 使用Match获得分组信息 


13

    
print
match.group() 


14

 
 


15

### 输出 ### 


16

# world

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数,不指定将全部分割。
view source

print?

1

import
re


2

 
 


3

p
=
re.
compile
(r
'\d+'
)


4

print
p.split(
'one1two2three3four4'
)


5

 
 


6

### output ###


7

# ['one', 'two', 'three', 'four', '']

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string,以列表形式返回全部能匹配的子串。
view source

print?

1

import
re


2

 
 


3

p
=
re.
compile
(r
'\d+'
)


4

print
p.findall(
'one1two2three3four4'
)


5

 
 


6

### output ###


7

# ['1', '2', '3', '4']

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。
view source

print?

1

import
re


2

 
 


3

p
=
re.
compile
(r
'\d+'
)


4

for
m
in
p.finditer(
'one1two2three3four4'
):


5

    
print
m.group(),


6

 
 


7

### output ###


8

# 1 2 3 4

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时,可以使用\id或\g<id>、\g<name>引用分组,但不能使用编号0。
当repl是一个方法时,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。
view source

print?

01

import
re


02

 
 


03

p
=
re.
compile
(r
'(\w+) (\w+)'
)


04

s
=
'i say, hello world!'


05

 
 


06

print
p.sub(r
'\2 \1'
, s)


07

 
 


08

def
func(m):


09

    
return
m.group(
1
).title()
+
' '
+
m.group(
2
).title()


10

 
 


11

print
p.sub(func, s)


12

 
 


13

### output ###


14

# say i, world hello!


15

# I Say, Hello World!

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
view source

print?

01

import
re


02

 
 


03

p
=
re.
compile
(r
'(\w+) (\w+)'
)


04

s
=
'i say, hello world!'


05

 
 


06

print
p.subn(r
'\2 \1'
, s)


07

 
 


08

def
func(m):


09

    
return
m.group(
1
).title()
+
' '
+
m.group(
2
).title()


10

 
 


11

print
p.subn(func, s)


12

 
 


13

### output ###


14

# ('say i, world hello!', 2)


15

# ('I Say, Hello World!', 2)

以上就是Python对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能,这年头没有不与字符串打交道的程序了。笔者也处于初级阶段,与君共勉,^_^

另外,图中的特殊构造部分没有举出例子,用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下,如何匹配不是以abc开头的单词,^_^

  评论这张
 
阅读(817)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017