Python正则表达式操作指南.doc

Python正那么表达式操作指南

摘要

本文是通过Python的re模块来使用正那么表达式的一个入门教程，和库参考手册的对应章节相比，更为浅显易懂、循序渐进。

本文可以从捕获

目录

目录

[隐藏]

1简介

2简单模式

2.1字符匹配

2.2重复

3使用正那么表达式

3.1编译正那么表达式

3.2反斜杠的麻烦

3.3执行匹配

3.4模块级函数

3.5编译标志

4更多模式功能

4.1更多的元字符

4.2分组

4.3无捕获组和命名组

4.4前向界定符

5修改字符串

5.1将字符串分片

5.2搜索和替换

6常见问题

6.1使用字符串方式

6.2match()vssearch()

6.3贪婪vs不贪婪

6.4不用re.VERBOSE

7反应

8关于本文档

[编辑]简介

Python自1.5版本起增加了re模块，它提供Perl风格的正那么表达式模式。Python1.5之前版本那么是通过regex模块提供Emacs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，正那么表达式〔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那么；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局部匹配该模式呢？”。你也可以使用RE以各种方式来修改或分割字符串。

正那么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。

正那么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那么表达式完成。当然也有些任务可以用正那么表达式完成，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那么表达式要慢些，但它更易理解。

[编辑]简单模式

我们将从最简单的正那么表达式学习开始。由于正那么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。

有关正那么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，正那么表达式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。〕

这个规那么当然会有例外；有些字符比拟特殊，它们和自身并不匹配，而是会说明应和一些特殊的东西匹配，或者它们会影响到RE其它局部的重复次数。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；其含义会在本指南余下局部进行讨论。

.^$*+?{[]\|()

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。以下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