Python正则表达式

1. 常用字符含义

'\w' == [A-Za-z0-9_] -- 代表字母、数字和下划线
'\W' -- 代表除了字母、数字和下划线
'\d' -- 代表数字
'.' -- 代表除了换行符'\n'以外的所有字符
'\b' -- 代表“非字符”与“字符”之间的界限，如str="[2:3:1]hello", re.search(r"\b.:.:.\b", str)会找到“2:3:1”
'+' -- 左边的一个字符出现 >= 1 次，返回最长的符合的
'*' -- 左边的一个字符出现 >= 0 次，返回最长的符合的
'?' -- 左边的一个字符出现 0次或者 1次，返回最长的符合的
'\s' -- 代表空格键whitespace；'\S' -- 除了whitespace以外的字符。即包含了'\n' -- 代表换行符newline；'\r' -- 代表回车键return；'\t' -- 代表tab键
'^' -- 代表string开始位置；'$' -- 代表string结束位置
'[^]' -- '^'忽略放括号中的，即reverse
'[]' -- 用来组合一些字符，如[A-Za-z0-9_], [\w.-]
'()' -- 用来表示findall()中的group

2. python正则表达式用法

2.1 re.search(pattern, str)

返回第一个匹配的。

如果找到了就会返回这个对象，然后用match.group()获得值，如果没找到返回None。

import re

str = "Hello, python! Hello, python"

match = re.search(r"Hello.+!", str)  # 返回Hello, python”

2.2 re.findall(pattern, str)

返回所有找到的匹配字符串，不再需要group()去获取值了。

import re

str = "Hello, python! Hello, python!"

matches = re.findall(r"Hello.+!", str)

for match in matches:
    print (match)

# 返回Hello, python! Hello, python!

2.3 re.findall(pattern, str)和文件读取

使用findall可以非常方便的从file中找到所有的匹配字符串。

f = open('test.txt', 'r')

strings = re.findall(r'some pattern', f.read())

2.4 group()在re.findall(pattern, str)中的使用

虽然用findall返回的就是字符串了，但是如果可以使用group就可以非常方便的从字符串中抽取自己想要的东西。只要把自己要的部分用‘()’括起来就行啦！

import re

# 例子1
str = 'purple alice@google.com, blah monkey bob@abc.com blah dishwasher'
tuples = re.findall(r'([\w\.-]+)@([\w\.-]+)', str)
print (tuples) ## [('alice', 'google.com'), ('bob', 'abc.com')]
for tuple in tuples:
    print (tuple[0])  ## username
    print (tuple[1]) ## host

# 例子2
str = "[02:03.132]fjeijfefi"
tuples = re.findall(r"\[(\d+):(\d+)\.(\d+)\]", str)
for tuple in tuples:
    print("time is: %d:%d.%d" % (int(tuple[0]), int(tuple[1]), int(tuple[2]))) #time is: 2:3.132

如果，在pattern中括号需要匹配，则用反斜杠'$', '$'。

如果，只想用括号来单纯的表示一些组合使得阅读方便，而不想表示group，可以在每一组括号的左括号后加上'?:'，即'(?:[\w.-]+)@(?:[\w.-]+)'。

2.5 re.sub(pattern, replacement, str)

把给定的pattern取代掉。

其中的replacement，可以用'\1', '\2'来表示取代group(1)，group(2)的结束位置之后的部分（部分不是group）。

str = 'purple alice@google.com, blah monkey bob@abc.com blah dishwasher'

# 把域名“google.com”换成“yo-yo-dyne.com”，这属于第一个group的结束位置，所以使用'\1'
print re.sub(r'([\w\.-]+)@([\w\.-]+)', r'\1@yo-yo-dyne.com', str)

# 结果：purple alice@yo-yo-dyne.com, blah monkey bob@yo-yo-dyne.com blah dishwasher

print re.sub(r'([\w\.-]+)@([\w\.-]+)', r'\1@yo-yo-dyne.com', str)

对于这一个函数的理解不深，google education中写的怪怪的。

3. 其他的options

在re.research(pattern, str)和re.findall(pattern, str)中还有以下参数可以调控：

如：re.search(pat, str, re.IGNORECASE).

re.IGNORECASE -- 忽略大小写
re.DOTALL -- 让'.'也包含newline
re. MULTILINE -- 当一个字符串由多行组成时，允许'^'和' $'匹配每一行的开始和结束位置。如果不设定这一项，'^'和'$ '只匹配整个字符串的开始和结束位置。

4. 非常重要的提醒

一定要小心‘*’，'+'导致的贪婪greedy问题。

import re

str = "[2:1:2]i am a girl[2:3:1]"

tuples = re.findall(r"\[.*\]", str)

for tuple in tuples:
    print (tuple)

以上的结果是"[2:1:2]i am a girl[2:3:1]"。

因为，'.*'会无休止的走下去，直到遇到最后一个']'。

为了防止这种不正常的greedy，可以这样：'.*?'来强制在找到第一个']'的时候就停止。所以正确的pattern是：r"[.*?]"

Python正则表达式