超詳細Python正規表示式操作指南(re使用)，一

Python 自1.5版本起增加了re 模組，它提供 Perl 風格的正規表示式模式。Python 1.5之前版本則是通過 regex
模組提供 Emecs 風格的模式。Emacs 風格模式可讀性稍差些，而且功能也不強，因此編寫新程式碼時儘量不要再使用 regex
模組，當然偶爾你還是可能在老程式碼裡發現其蹤影。

就其本質而言，正規表示式（或
RE）是一種小型的、高度專業化的程式語言，（在Python中）它內嵌在Python中，並通過 re
模組實現。使用這個小型語言，你可以為想要匹配的相應字串集指定規則；該字串集可能包含英文語句、e-mail地址、TeX命令或任何你想搞定的東西。然後你可以問諸如“這個字串匹配該模式嗎？”或“在這個字串中是否有部分匹配該模式呢？”。你也可以使用
RE 以各種方式來修改或分割字串。

正規表示式模式被編譯成一系列的位元組碼，然後由用 C 編寫的匹配引擎執行。在高階用法中，也許還要仔細留意引擎是如何執行給定 RE ，如何以特定方式編寫 RE 以令生產的位元組碼執行速度更快。本文並不涉及優化，因為那要求你已充分掌握了匹配引擎的內部機制。

正規表示式語言相對小型和受限（功能有限），因此並非所有字串處理都能用正規表示式完成。當然也有些任務可以用正規表示式完成，不過最終表示式會變得異常複雜。碰到這些情形時，編寫
Python 程式碼進行處理可能反而更好；儘管 Python 程式碼比一個精巧的正規表示式要慢些，但它更易理解。

簡單模式

我們將從最簡單的正規表示式學習開始。python學習交流-719-139-688由於正規表示式常用於字串操作，那我們就從最常見的任務：字元匹配 下手。

有關正規表示式底層的電腦科學上的詳細解釋（確定性和非確定性有限自動機），你可以查閱編寫編譯器相關的任何教科書。

字元匹配

大多數字母和字元一般都會和自身匹配。例如，正規表示式 test 會和字串“test”完全匹配。（你也可以使用大小寫不敏感模式，它還能讓這個 RE 匹配“Test”或“TEST”；稍後會有更多解釋。）

這個規則當然會有例外；有些字元比較特殊，它們和自身並不匹配，而是會表明應和一些特殊的東西匹配，或者它們會影響到 RE 其它部分的重複次數。本文很大篇幅專門討論了各種元字元及其作用。

這裡有一個元字元的完整列表；其含義會在本指南餘下部分進行討論。

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

我們首先考察的元字元是”[”
和
“]”。它們常用來指定一個字元類別，所謂字元類別就是你想匹配的一個字符集。字元可以單個列出，也可以用“-”號分隔的兩個給定字元來表示一個字元區間。例如，[abc]
將匹配”a”, “b”, 或 “c”中的任意一個字元；也可以用區間[a-c]來表示同一字符集，和前者效果一致。如果你只想匹配小寫字母，那么
RE 應寫成 [a-z].

元字元在類別裡並不起作用。例如，[akm$]將匹配字元”a”, “k”, “m”, 或 “$” 中的任意一個；”$”通常用作元字元，但在字元類別裡，其特性被除去，恢復成普通字元。

你可以用補集來匹配不在區間範圍內的字元。其做法是把”^”作為類別的首個字元；其它地方的”^”只會簡單匹配 “^”字元本身。例如，[^5] 將匹配除 “5” 之外的任意字元。

也許最重要的元字元是反斜槓”””。
做為 Python
中的字串字母，反斜槓後面可以加不同的字元以表示不同特殊意義。它也可以用於取消所有的元字元，這樣你就可以在模式中匹配它們了。舉個例子，如果你需要匹配字元
“[” 或 “””，你可以在它們之前用反斜槓來取消它們的特殊意義： “[ 或 “”。

一些用 “”” 開始的特殊字元所表示的預定義字符集通常是很有用的，象數字集，字母集，或其它非空字符集。下列是可用的預設特殊字元：

這樣特殊字元都可以包含在一個字元類中。如，[“s,.]字元類將匹配任何空白字元或”,”或”.”。

本節最後一個元字元是 . 。它匹配除了換行字元外的任何字元，在 alternate 模式（re.DOTALL）下它甚至可以匹配換行。”.” 通常被用於你想匹配“任何字元”的地方。

重複

正規表示式第一件能做的事是能夠匹配不定長的字符集，而這是其它能作用在字串上的方法所不能做到的。 不過，如果那是正規表示式唯一的附加功能的話，那麼它們也就不那麼優秀了。它們的另一個功能就是你可以指定正規表示式的一部分的重複次數。

我們討論的第一個重複功能的元字元是 *。* 並不匹配字母字元 “*”；相反，它指定前一個字元可以被匹配零次或更多次，而不是隻有一次。

舉個例子，ca*t
將匹配 “ct” (0 個 “a” 字元), “cat” (1 個 “a”), “caaat” (3 個 “a” 字元)等等。RE
引擎有各種來自 C 的整數型別大小的內部限制，以防止它匹配超過2億個 “a”
字元；你也許沒有足夠的記憶體去建造那麼大的字串，所以將不會累計到那個限制。

象 * 這樣地重複是“貪婪的”；當重複一個 RE 時，匹配引擎會試著重複儘可能多的次數。如果模式的後面部分沒有被匹配，匹配引擎將退回並再次嘗試更小的重複。

一步步的示例可以使它更加清晰。讓我們考慮表示式 a[bcd]*b。它匹配字母 “a”，零個或更多個來自類 [bcd]中的字母，最後以 “b” 結尾。現在想一想該 RE 對字串 “abcbd” 的匹配。

RE
的結尾部分現在可以到達了，它匹配 “abcb”。這證明了匹配引擎一開始會盡其所能進行匹配，如果沒有匹配然後就逐步退回並反覆嘗試 RE
剩下來的部分。直到它退回嘗試匹配 [bcd] 到零次為止，如果隨後還是失敗，那麼引擎就會認為該字串根本無法匹配 RE 。

另一個重複元字元是
+，表示匹配一或更多次。請注意 * 和 + 之間的不同；＊匹配零或更多次，所以根本就可以不出現，而 +
則要求至少出現一次。用同一個例子，ca+t 就可以匹配 “cat” (1 個 “a”)， “caaat” (3 個 “a”)， 但不能匹配
“ct”。

還有更多的限定符。問號 ? 匹配一次或零次；你可以認為它用於標識某事物是可選的。例如：home-?brew 匹配 “homebrew” 或 “home-brew”。

最複雜的重複限定符是
{m,n}，其中 m 和 n 是十進位制整數。該限定符的意思是至少有 m 個重複，至多到 n 個重複。舉個例子，a/{1,3}b 將匹配
“a/b”，”a//b” 和 “a///b”。它不能匹配 “ab” 因為沒有斜槓，也不能匹配 “a////b” ，因為有四個。

你可以忽略 m 或 n；因為會為缺失的值假設一個合理的值。忽略 m 會認為下邊界是 0，而忽略 n 的結果將是上邊界為無窮大 — 實際上是先前我們提到的 2 兆，但這也許同無窮大一樣。

細心的讀者也許注意到其他三個限定符都可以用這樣方式來表示。 {0,} 等同於 *，{1,} 等同於 +，而{0,1}則與 ? 相同。如果可以的話，最好使用 *，+，或?。很簡單因為它們更短也再容易懂。

使用正規表示式

現在我們已經看了一些簡單的正規表示式，那麼我們實際在 Python 中是如何使用它們的呢？ re 模組提供了一個正規表示式引擎的介面，可以讓你將 REs 編譯成物件並用它們來進行匹配。

編譯正規表示式

正規表示式被編譯成 `RegexObject` 例項，可以為不同的操作提供方法，如模式匹配搜尋或字串替換。

re.compile() 也接受可選的標誌引數，常用來實現不同的特殊功能和語法變更。我們稍後將檢視所有可用的設定，但現在只舉一個例子：

RE
被做為一個字串傳送給 re.compile()。REs 被處理成字串是因為正規表示式不是 Python
語言的核心部分，也沒有為它建立特定的語法。（應用程式根本就不需要 REs，因此沒必要包含它們去使語言說明變得臃腫不堪。）而 re
模組則只是以一個 C 擴充套件模組的形式來被 Python 包含，就象 socket 或 zlib 模組一樣。

將 REs 作為字串以保證 Python 語言的簡潔，但這樣帶來的一個麻煩就是象下節標題所講的。

反斜槓的麻煩

在早期規定中，正規表示式用反斜槓字元 (“””) 來表示特殊格式或允許使用特殊字元而不呼叫它的特殊用法。這就與 Python 在字串中的那些起相同作用的相同字元產生了衝突。

讓我們舉例說明，你想寫一個 RE 以匹配字串 “”section”，可能是在一個 LATEX 檔案查詢。為了要在程式程式碼中判斷，首先要寫出想要匹配的字串。接下來你需要在所有反斜槓和元字元前加反斜槓來取消其特殊意義。

簡單地說，為了匹配一個反斜槓，不得不在 RE 字串中寫 “，因為正規表示式中必須是 “”，而每個反斜槓按 Python 字串字母表示的常規必須表示成 “”。在 REs 中反斜槓的這個重複特性會導致大量重複的反斜槓，而且所生成的字串也很難懂。

解決的辦法就是為正規表示式使用 Python 的 raw 字串表示；在字串前加個 “r” 反斜槓就不會被任何特殊方式處理，所以 r”
” 就是包含”” 和 “n” 的兩個字元，而 ”
” 則是一個字元，表示一個換行。正規表示式通常在 Python 程式碼中都是用這種 raw 字串表示。