Python正規表達式指南上半部

本文介紹了Python對于正規表達式的支援，包括正規表達式基礎以及Python正規表達式标準庫的完整介紹及使用示例。本文的内容不包括如何編寫高效的正規表達式、如何優化正規表達式，這些主題請檢視其他教程。

　　注意：本文基于Python2.4完成；如果看到不明白的詞彙請記得百度谷歌或維基，whatever。

　　正規表達式并不是Python的一部分。正規表達式是用于處理字元串的強大工具，擁有自己獨特的文法以及一個獨立的處理引擎，效率上可能不如str自帶的方法，但功能十分強大。得益于這一點，在提供了正規表達式的語言裡，正規表達式的文法都是一樣的，差別隻在于不同的程式設計語言實作支援的文法數量不同；但不用擔心，不被支援的文法通常是不常用的部分。如果已經在其他語言裡使用過正規表達式，隻需要簡單看一看就可以上手了。

下圖展示了使用正規表達式進行比對的流程：

　　正規表達式的大緻比對過程是：依次拿出表達式和文本中的字元比較，如果每一個字元都能比對，則比對成功；一旦有比對不成功的字元則比對失敗。如果表達式中有量詞或邊界，這個過程會稍微有一些不同，但也是很好了解的，看下圖中的示例以及自己多使用幾次就能明白。

下圖列出了Python支援的正規表達式元字元和文法：

　　正規表達式通常用于在文本中查找比對的字元串。Python裡數量詞預設是貪婪的（在少數語言裡也可能是預設非貪婪），總是嘗試比對盡可能多的字元；非貪婪的則相反，總是嘗試比對盡可能少的字元。例如：正規表達式”ab*”如果用于查找”abbbc”，将找到”abbb”。而如果使用非貪婪的數量詞”ab*?”，将找到”a”。

　　與大多數程式設計語言相同，正規表達式裡使用”\”作為轉義字元，這就可能造成反斜杠困擾。假如你需要比對文本中的字元”\”，那麼使用程式設計語言表示的正規表達式裡将需要4個反斜杠”\\\\”：前兩個和後兩個分别用于在程式設計語言裡轉義成反斜杠，轉換成兩個反斜杠後再在正規表達式裡轉義成一個反斜杠。Python裡的原生字元串很好地解決了這個問題，這個例子中的正規表達式可以使用r”\\”表示。同樣，比對一個數字的”\\d”可以寫成r”\d”。有了原生字元串，你再也不用擔心是不是漏寫了反斜杠，寫出來的表達式也更直覺。

　　正規表達式提供了一些可用的比對模式，比如忽略大小寫、多行比對等，這部分内容将在Pattern類的工廠方法re.compile(pattern[, flags])中一起介紹。

　　Python通過re子產品提供對正規表達式的支援。使用re的一般步驟是先将正規表達式的字元串形式編譯為Pattern執行個體，然後使用Pattern執行個體處理文本并獲得比對結果（一個Match執行個體），最後使用Match執行個體獲得資訊，進行其他的操作。

<code># encoding: UTF-8</code>

<code>import</code> <code>re</code>

<code># 将正規表達式編譯成Pattern對象</code>

<code>pattern</code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>'hello'</code><code>)</code>

<code># 使用Pattern比對文本，獲得比對結果，無法比對時将傳回None</code>

<code>match</code><code>=</code> <code>pattern.match(</code><code>'hello world!'</code><code>)</code>

<code>if</code> <code>match:</code>

<code>    </code><code># 使用Match獲得分組資訊</code>

<code>    </code><code>print</code> <code>match.group()</code>

<code>### 輸出 ###</code>

<code># hello</code>

　　re.compile(strPattern[, flag]):

　　這個方法是Pattern類的工廠方法，用于将字元串形式的正規表達式編譯為Pattern對象。 第二個參數flag是比對模式，取值可以使用按位或運算符’|'表示同時生效，比如re.I | re.M。另外，你也可以在regex字元串中指定模式，比如re.compile(‘pattern’, re.I | re.M)與re.compile(‘(?im)pattern’)是等價的。

　　可選值有：

re.I(re.IGNORECASE): 忽略大小寫（括号内是完整寫法，下同）

M(MULTILINE): 多行模式，改變’^'和’$'的行為（參見上圖）

S(DOTALL): 點任意比對模式，改變’.'的行為

L(LOCALE): 使預定字元類 \w \W \b \B \s \S 取決于目前區域設定

U(UNICODE): 使預定字元類 \w \W \b \B \s \S \d \D 取決于unicode定義的字元屬性

X(VERBOSE): 詳細模式。這個模式下正規表達式可以是多行，忽略空白字元，并可以加入注釋。以下兩個正規表達式是等價的：

<code>a</code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>"""\d +  # the integral part</code>

<code>                   </code><code>\.    # the decimal point</code>

<code>                   </code><code>\d *  # some fractional digits"""</code><code>, re.X)</code>

<code>b</code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>"\d+\.\d*"</code><code>)</code>

<code></code>

本文轉自    風雨蕭條 部落格，原文連結：    http://blog.51cto.com/1095221645/1607789    如需轉載請自行聯系原作者