6.6 KiB
Python 正则表达式简介
原文：https://www.pythoncentral.io/introduction-to-python-regular-expressions/
在 Python 中，在一个字符串中搜索另一个字符串相当容易:
>>> str = 'Hello, world'
>>> print(str.find('wor'))
7
如果我们确切地知道我们要找的是什么，这很好，但是如果我们要找的东西不是那么明确呢？例如，如果我们想搜索一年，那么我们知道这将是一个 4 位数的序列，但我们不知道这些数字将会是什么。这就是正则表达式的用武之地。它们允许我们基于我们所寻找的内容的一般描述来搜索子字符串，例如搜索 4 个连续数字的序列*。*
在下面的例子中，我们导入了包含 Python 正则表达式功能的re模块，然后用我们的正则表达式(\d\d\d\d)和我们想要搜索的字符串调用search函数:
>>> import re
>>> str = 'Today is 31 May 2012.'
>>> mo = re.search(r'\d\d\d\d', str)
>>> print(mo)
<_sre.SRE_Match object at 0x01D3A870>
>>> print(mo.group())
2012
>>> print('%s %s' % (mo.start(), mo.end())
16 20
在一个正则表达式中，\d表示任意位，所以\d\d\d\d表示任意位，任意位，任意位，或者说白了，连续 4 位。正则表达式大量使用反斜杠，反斜杠在 Python 中有特殊的含义，所以我们在字符串前面加了一个 r 使其成为一个原始字符串，它阻止 Python 以任何方式解释反斜杠。
如果re.search找到匹配我们正则表达式的东西，它返回一个匹配对象,其中保存了关于匹配内容的信息。在上面的例子中，我们打印出匹配的子字符串，以及它在被搜索的字符串中的开始和结束位置。
注意 Python 没有匹配日期(31)。它会匹配前两个字符，即与前两个\d匹配的 3 和 1 ，但是下一个字符(一个空格)不会匹配第三个\d，所以 Python 会放弃并继续搜索字符串的剩余部分。
匹配一组字符
让我们试试另一个例子:
>>> str = 'Today is 2012-MAY-31'
>>> mo = re.search(r'\d\d\d\d-[A-Z][A-Z][A-Z]-\d\d', str)
>>> print(mo.group())
2012-MAY-31
这一次，我们的正则表达式包含新元素[A-Z]。方括号表示与其中一个字符完全匹配。例如，[abc]表示 Python 将匹配一个 a 或 b 或 c ，但不匹配其他字母。由于我们想要匹配 A 和 Z 之间的任何字母，我们可以写出整个字母表([ABCDEFGHIJKLMNOPQRSTUVWXYZ])，但是谢天谢地，Python 允许我们使用连字符([A-Z])来缩短这个字母。所以，我们的正则表达式是\d\d\d\d-[A-Z][A-Z][A-Z]-\d\d，意思是:
- 寻找(或匹配)一个数字(4 次)。
- 匹配一个'-'字符。
- 匹配 A 和 Z 之间的一个字母(三次)。
- 匹配一个'-'字符。
- 匹配一个数字(2 次)。
如上例所示，Python 找到了嵌入在字符串中的日期。
不幸的是，我们的正则表达式目前只处理大写的月份名称:
# The month uses lower-case letters
>>> str = 'Today is 2012-May-31'
>>> mo = re.search(r'\d\d\d\d-[A-Z][A-Z][A-Z]-\d\d', str)
>>> print(mo)
None
有两种方法可以解决这个问题。我们可以传入一个标志，表示搜索应该不区分大小写:
>>> str = 'Today is 2012-May-31'
>>> mo = re.search(r'\d\d\d\d-[A-Z][A-Z][A-Z]-\d\d', str, re.IGNORECASE)
>>> print(mo.group())
2012-May-31
或者，我们可以扩展字符集来指定更多的字符:[A-Za-z]表示大写 A 到大写 Z，或者小写 A 到小写 Z 。
>>> str = 'Today is 2012-May-31'
>>> mo = re.search(r'\d\d\d\d-[A-Za-z][A-Za-z][A-Za-z]-\d\d', str)
>>> print(mo.group())
2012-May-31
正则表达式的重复
上一个例子中的正则表达式开始变得有点笨拙，所以让我们看看如何简化它。
在正则表达式中，{n}(其中 n 是数字)表示重复前面的元素 n 次。所以我们可以重写这个正则表达式:
\d\d\d\d-[A-Za-z][A-Za-z][A-Za-z]-\d\d
变成这样:
\d{4}-[A-Za-z]{3}-\d{2}
这意味着:
- 匹配任意数字(4 次)。
- 匹配一个'-'字符。
- 匹配字母 A-Z 或 a-z (3 次)。
- 匹配一个'-'字符。
- 匹配任意数字(2 次)。
这就是它的作用:
>>> str = 'Today is 2012-May-31'
>>> mo = re.search(r'\d{4}-[A-Za-z]{3}-\d{2}', str)
>>> print(mo.group())
2012-May-31
当指定应该匹配多少重复时，我们有很大的灵活性。
- 我们可以指定一个范围，例如
{2,4}表示匹配 2 - 4 次重复。
>>> str = 'abc12345def'
>>> mo = re.search(r'\d{2,4}', str)
>>> print(mo.group())
1234
- 我们可以忽略上限值，例如
{2,}表示“匹配 2 次或更多次重复”。
>>> str = "abc12345def"
>>> mo = re.search(r'\d{2,}', str)
>>> print(mo.group())
12345
常见重复的简写
有些类型的重复非常常见，它们有自己的语法。
{1,}表示匹配前一个元素一次或多次，但这也可以用特殊的+操作符来写(例如\d+)。
>>> str = 'abc12345def'
>>> mo = re.search(r'\d+', str)
>>> print(mo.group())
12345
{0,}表示匹配前一个元素零次或多次，但这也可以用*操作符来写(如\d*)。
>>> str = 'abc12345def'
>>> mo = re.search(r'\d*', str)
>>> print(mo.group())
呀，发生什么事了？！为什么这个什么都没打印出来？嗯，你必须小心操作符，因为它会匹配零或更多的重复。在这种情况下，Python 看着被搜索字符串的第一个字符，对自己说这是数字吗？没有。我匹配了零个或多个数字吗？是(零)，所以正则表达式已经匹配了。*如果我们看看MatchObject告诉我们的:
>>> print('%s %s' % (mo.start(), mo.end()))
0 0
我们可以看到这正是所发生的，它在被搜索的字符串的最开始匹配了一个空的子字符串。让我们稍微改变一下我们的正则表达式:
>>> str = 'abc12345def'
>>> mo = re.search(r'c\d*', str)
>>> print(mo.group())
c12345
现在我们的正则表达式说匹配字母 c，然后零个或多个数字，这就是 Python 随后找到的。
{0,1}表示匹配前一个元素 0 或 1 次，但这也可以用?操作符来写(如\d?)。
>>> str = 'abc12345def'
>>> mo = re.search(r'c\d?', str)
# Note: the \d was matched 1 time
>>> print(mo.group())
c1
>>> mo = re.search(r'b\d?', str)
# Note: the \d was matched 0 times
>>> print(mo.group())
b
在下一篇文章中，我们将继续讨论正则表达式的更多高级用法。