Python正则表达式

方法归纳

方法	描述
findall	将字符串中所有的非重叠匹配模式以列表形式返回
finditer	与findall类似，但返回的是迭代器
match	在字符串起始位置匹配模式，也可以将模式组件匹配到分组中； 如果模式匹配上了，返回一个匹配对象，否则返回None
search	扫描字符串的匹配模式，如果扫面到了返回匹配对象； 与match方法不同的是，search方法的匹配可以是字符串的任意位置， 而不仅仅是字符串的起始位置
split	根据模式，将字符串拆分为多个部分
sub,subn	用替换表达式替换字符串中所有的匹配(sub)或第n个出现的匹配串(subn)； 使用符号\1,\2....来引用替换字符串中匹配组的元素

compile

正则表达式提供了一种在文本中灵活查找或匹配字符串模式的方法。单个表达式通常被称为regex，是根据正则表达式语言形成的字符串。Python内建的re模块是用于将正则表达式应用到字符串上的库。接下来展示一些re模块的实例。

re模块主要有三个主题：模式匹配、替代、拆分。当然，这三个主题是相关联的。一个正则表达式描述了在文本中需要定位的一种模式，可以用于多种目标。
让我们来看一个简单的示例：假设我们想将含有多种空白字符（制表符、空格、换行符）的字符串拆分开。描述一个或多个空白字符的正则表达式是\s+：

import re
text = "foo      bar\t baz    \tqux"
re.split('\s+', text)

当调用re.split('\s+', text)时，正则表达式首先会被编译，然后正则表达式的split方法在传入文本上被调用。也可以使用re.compile自行编译，形成一个可复用的正则表达式对象。

regex = re.compile('\s+')
regex.split(text)

以上两段执行结果相同：

['foo', 'bar', 'baz', 'qux']

findall

如果需要获得的是一个所有匹配正则表达式的模式的列表，你可以使用findall方法：

regex.findall(text)

//out: ['      ', '\t ', '    \t']

PS：为了在正则表达式中避免转义符\的影响，可以使用原生字符串语法，比如 r'C:\x' 或者用等价的 'C:\x'
如果需要将相同的表达式应用在多个字符串上，推荐使用re.compile创建一个正则表达式对象，这样做有利于节约CPU周期。

search、match

match和search与findall相关性很大。findall返回的是字符串中所有的匹配项，而search返回的仅仅是第一个匹配项。match更为严格，它只在字符串的起始位置进行匹配。我们来看下一个示例，一段文本和一个可以识别大部分电子邮件地址的正则表达式：
在文本上使用findall会生成一个电子邮件地址的列表：

text = '''Dava dava@google.com
    Steve steve@gmail.com
    Rob rob@gmail.com
    Ryan ryan@yahoo.com
'''
pattern = r'[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}'
# re.IGNORECASE 使正则表达式不区分大小写
regex = re.compile(pattern, flags=re.IGNORECASE)
regex.findall(text)

//out: ['dava@google.com', 'steve@gmail.com', 'rob@gmail.com', 'ryan@yahoo.com']

search返回的是文本中第一个匹配到的电子邮件地址。对于前面提到的正则表达式，匹配对象只能告诉我们模式在字符串中起始和结束的位置：

m = regex.search(text)
m

//out: <re.Match object; span=(5, 20), match='dava@google.com'>
text[m.start():m.end()]

//out: 'dava@google.com'

regex.match只在模式出现于字符串起始位置时进行匹配，如果没有匹配到，返回None：

print(regex.match(text))
//out: None

sub

sub会返回一个新的字符串，原字符串中的模式会被一个新的字符串替代：

s = regex.sub('REDACTED',text)
print(s)

//out: Dava REDACTED
        Steve REDACTED
        Rob REDACTED
        Ryan REDACTED

扩展

假设想查找电子邮件地址，并将每个地址分为三个部分：用户名、域名和域名后缀。要实现这一点，可以用括号将模式包起来。由下面修改后的正则表达式产生的匹配对象的groups方法，返回的是模式组件的元组：

pattern = r'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\.([A-Z]{2,4})'
regex = re.compile(pattern, flags = re.IGNORECASE)
m = regex.match('wesm@bright.net')
m.groups()

//out: ('wesm', 'bright', 'net')

当模式可以分组时，findall返回的是包含元组的列表：

regex.findall(text)

//out: [('dava', 'google', 'com'),
 ('steve', 'gmail', 'com'),
 ('rob', 'gmail', 'com'),
 ('ryan', 'yahoo', 'com')]

sub也可以使用特殊符号，如\1和\2，访问每个匹配对象中的分组。符号\1代表的是第一个匹配分组，\2代表的是第二个匹配分组，以此类推：

L = regex.sub(r'Username: \1, Domain: \2, Suffix: \3', text)
print(L)

//out: Dava Username: dava, Domain: google, Suffix: com
    Steve Username: steve, Domain: gmail, Suffix: com
    Rob Username: rob, Domain: gmail, Suffix: com
    Ryan Username: ryan, Domain: yahoo, Suffix: com

去掉\3，便于理解

L = regex.sub(r'Username: \1, Domain: \2, Suffix: ', text)
print(L)

//out:Dava Username: dava, Domain: google, Suffix: 
    Steve Username: steve, Domain: gmail, Suffix: 
    Rob Username: rob, Domain: gmail, Suffix: 
    Ryan Username: ryan, Domain: yahoo, Suffix: