Python程序设计Python程序设计第4章正则表达式.doc

第4章正则表达式 本章主要内容包括字符串及其常用的方法、正则表达式及其应用。字符串是Python一种非常重要的数据类型，由英文字母、数字、中文和其他字符组成，字符常见的编码有UTF-8、GB2312、GBK等。Python 3.x版本统一使用utf-8编码，防止解析乱码。正则表达式是字符串处理的一种技术，使用re模块预定义特定模式去匹配一类具有共同特征的字符串，可以快速、准确地完成复杂查找、替换等处理，可应用于网络编程。最后介绍re模块提供的正则表达式函数与对象的用法。 4.1 字符串 美国标准信息交换码ASCII（American Standard Code for Information Interchange）是最早的字符串码，采用1个字节，对10个数字、26个大、小写字母及一些其他符号共256个进行编码。 后来出现的常见编码有UTF-8（8-bit Unicode Transformation Format）、GB2312、GBK（Chinese Internal Code Specification，汉字内码扩展规范）、CP936（GBK的Code Page为936）等。采用不同的编码格式意味着不同的表示和存储形式，比如国际通用的编码UTF-8编码以1个字节表示英语字符（兼容ASCII），以3个字节表示中文及其他语言。GB2312是我国制定的中文编码标准，用1个字节表示英文字符，2个字节表示汉字。GBK是GB2312的扩充。CP936是微软公司在GBK基础上开发的编码方式，用两个字节表示中文。而Unicode是不同编码格式之间相互转换的基础。 在Windows平台上使用Python3.x时，Python源文件默认指定的是UTF-8编码，如果需要支持其他的编码，需要在源文件的第一行加上特殊申明，其语法结构如下： #-*- coding: encoding -*- 例如，指定中文编码：# -*- coding: cp936 -*- 前面2.1.5节已经提到，字符串属于不可变序列类型，使用单引号、双引号、三单引号或三双引号作为界定符，并且不同的界定符之间可以相互嵌套。字符串除了支持序列通用法（如比较、计算长度、元素访问、分片操作等）以外，字符串类型还支持一些特有的操作方法，例如，格式化操作、字符串查找、字符串替换等。但由于字符串属于不可变序列，不能对字符串对象进行元素增加、修改与删除等操作。 字符串对象提供的replace( )和translate( )方法并不是对原字符串直接修改替换，而是返回一个修改替换后的结果字符串。 Python支持短字符串驻留机制，即：对于短字符串，将其赋值给多个不同的对象时，内存中只有一个副本，多个对象共享该副本。但长字符串不遵守驻留机制，例如： str1=better city, better life str2=str1 str2 better city, better life id(str1)==id(str2) #变量str1、str2指向同一个内存地址 True str1=str1*100 str2=str2*100 id(str1)==id(str2) #指向不同内存地址 False 在Python2.x中，字符串有str(非unicode)和unicode两种，其基类都是basestring。 st1=中国雄安 type(st1) str isinstance(st1,basestring) #检验str1是否为basestring True isinstance(st1,unicode) #检验str1是否属于unicode集 False st2=u中国雄安 isinstance(st2,unicode) True 在Python3.x中，字符串有str类型(与python2.x中的unicode一样)和bytes类型(与python2.x中的str一样)，str对象和bytes对象可以使用encode() (str - bytes) 或者decode() (bytes - str)方法相互转化。 st1=中国雄安 type(st1) class,str st1=u中国雄安 type(st1) class,str #st1是 str类 str1_b = bchina? ? ? type(str1_b)? ? ? class bytes #str1_b是bytes类 str_to_bytes= st1.encode(‘utf-8’) str_to_bytes b\xe4\xb8\xad\xe5\x9b\x