python 正则re模块详解.docVIP

[编辑] 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。 Python 1.5 之前版本则是通过 regex 模块提供 Emecs 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。哈哈 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。 [编辑] 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。） 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；其含义会在本指南馀下部分进行讨论。 . ^ $ * + ? { [ ] \ | ( ) 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.。 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。 [编辑] 重复 正则表达式第一件能做的事是能够匹配