搜索
[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。Python1.5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2亿个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。StepMatchedExplanation1aa匹配模式2abcbd引擎匹配[bcd]*，并尽其所能匹配到字符串的结尾3Failure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4abcb退回，[bcd]*尝试少匹配一个字符。5Failure再次尝次b，但在当前最后一位字符是d。6abc再次退回，[bcd]*只匹配bc。7abcb再次尝试b，这次当前位上的字符正好是bRE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剩下来的部分。直到它退回尝试匹配[bcd]到零次为止，如果随后还是失败，那么引擎就会认为该字符串根本无法匹配RE。另一个重复元字符是+，表示匹配一或更多次。请注意*和+之间的不同；＊匹配零或更多次，所以根本就可以不出现，而+则要求至少出现一次。用同一个例子，ca+t就可以匹配cat(1个a)，caaat(3个a)，但不能匹配ct。还有更多的限定符。问号?匹配一次或零次；你可以认为它用于标识某事物是可选的。例如：home-?brew匹配homebrew或home-brew。最复杂的重复限定符是{m,n}，其中m和n是十进制整数。该限定符的意思是至少有m个重复，至多到n个重复。举个例子，a/{1,3}b将匹配a/b，a//b和a///b。它不能匹配ab因为没有斜杠，也不能匹配a////b，因为有四个。你可以忽略m或n；因为会为缺失的值假设一个合理的值。忽略m会认为下边界是0，而忽略n的结果将是上边界为无穷大--实际上是先前我们提到的2兆，但这也许同无穷大一样。细心的读者也许注意到其他三个限定符都可以用这样方式来表示。{0,}等同于*，{1,}等同于+，而{0,1}则与?相同。如果可以的话，最好使用*，+，或?。很简单因为它们更短也再容易懂。[编辑]使用正则表达式现在我们已经看了一些简单的正则表达式，那么我们实际在Python中是如何使用它们的呢？re模块提供了一个正则表达式引擎的接口，可以让你将REs编译成对象并用它们来进行匹配。[编辑]编译正则表达式正则表达式被编译成`RegexObject`实例，可以为不同的操作提供方法，如模式匹配搜索或字符串替换。#!pythonimportrep=re.compile('ab*')printpre.RegexObjectinstanceat80b4150re.compile()也接受可选的标志参数，常用来实现不同的特殊功能和语法变更。我们稍后将查看所有可用的设置，但现在只举一个例子：#!pythonp=re.compile('ab*',re.IGNORECASE)RE被做为一个字符串发送给re.compile()。REs被处理成字符串是因为正则表达式不是Python语言的核心部分，也没有为它创建特定的语法。（应用程序根本就不需要REs，因此没必要包含它们去使语言说明变得臃肿不堪。）而re模块则只是以一个C扩展模块的形式来被Python包含，就象socket或zlib模块一样。将REs作为字符串以保证Python语言的简洁，但这样带来的一个麻烦就是象下节标题所讲的。[编辑]反斜杠的麻烦在早期规定中，正则表达式用反斜杠字符(\)来表示特殊格式或允许使用特殊字符而不调用它的特殊用法。这就与Python在字符串中的那些起相同作用的相同字符产生了冲突。让我们举例说明，你想写一个RE以匹配字符串\section，可能是在一个LATEX文件查找。为了要在程序代码中判断，首先要写出想要匹配的字符串。接下来你需要在所有反斜杠和元字符前加反斜杠来取消其特殊意义。字符阶段\section要匹配的字符串\\section为re.compile取消反斜杠的特殊意义\\\\section为字符串取消反斜杠简单地说，为了匹配一个反斜杠，不得不在RE字符串中写'\\\\'，因为正则表达式中必须是\\，而每个反斜杠按Python字符串字母表示的常规必须表示成\\。在REs中反斜杠的这个重复特性会导致大量重复的反斜杠，而且所生成的字符串也很难懂。解决的办法就是为正则表达式使用Python的raw字符串表示；在字符串前加个r反斜杠就不会被任何特殊方式处理，所以r\n就是包含\和n的两个字符，而\n则是一个字符，表示一个换行。正则表达式通常在Python代码中都是用这种raw字符串表示。常规字符串Raw字符串ab*rab*\\\\sectionr\\section\\w+\\s+\\1r\w+\s+\1执行匹配一旦你有了已经编译了的正则表达式的对象，你要用它做什么呢？`RegexObject`实例有一些方法和属性。这里只显示了最重要的几个，如果要看完整的列表请查阅PythonLibraryReference方法/属性作用match()决定RE是否在字符串刚开始的位置匹配search()扫描字符串，找到这个RE匹配的位置findall()找到RE匹配的所有子串，并把它们作为一个列表返回finditer()找到RE匹配的所有子串，并把它们作为一个迭代器返回如果没有匹配到的话，match()和search()将返回None。如果成功的话，就会返回一个`MatchObject`实例，其中有这次匹配的信息：它是从哪里开始和结束，它所匹配的子串等等。你可以用采用人机对话并用re模块实验的方式来学习它。如果你有Tkinter的话，你也许可以考虑参考一下Tools/scripts/redemo.py，一个包含在Python发行版里的示范程序。首先，运行Python解释器，导入re模块并编译一个RE：#!pythonPython2.2.2(#1,Feb102003,12:57:01)importrep=re.compile('[a-z]+')p_sre.SRE_Patternobjectat80c3c28现在，你可以试着用RE的[a-z]+去匹配不同的字符串。一个空字符串将根本不能匹配，因为+的意思是“一个或更多的重复次数”。在这种情况下match()将返回None，因为它使解释器没有输出。你可以明确地打印出match()的结果来弄清这一点。#!pythonp.match()printp.match()None现在，让我们试着用它来匹配一个字符串，如tempo。这时，match()将返回一个MatchObject。因此你可以将结果保存在变量里以便后面使用。#!pythonm=p.match('tempo')printm_sre.SRE_Matchobjectat80c4f68现在你可以查询`MatchObjec