由浅到深解读Python正则表达式
对于许多需要处理文本来说的技术工程师,必须对Python正则表达式有一个全面深入的认识,不但要深入理解下什么是Python正则表达式,还要对Python正则表达式字符有所认识。
此外,还有少数字符比较特殊,它们和自身并不匹配,而是跟其字面值之外的一些特殊的东西匹配,这些东西可能是字符集、重复次数或者位置等。常用的元字符包括:
. ^ $ * + ? { } [ ] \ | ( )
对于这些特殊字符,本文会陆续加以介绍。不过我们这里先了解一下用来匹配字符的元字符。首先,句点“.”这个元字符通常用于想匹配“任何字符”的地方:一般情况下,它匹配除换行字符之外的任何字符;但是在alternate模式(re.DOTALL)下,它匹配真正意义上的任何字符,包括换行字符在内。
我们接下来考察的元字符是“[”和“]”。它们常配对用来指定想匹配的一个字符集合,也就是说该集合内的任何一个元素都能满足我们的要求。集合内的字符可以单个列出,如果这些字符是连续的也可以用“-”号分隔的两个给定字符来指定一个字符范围。
例如,[abc]将匹配“a”、“b”或“c”中的任意一个字符;当然也可以用区间[a-c]来表示同一字符集,这两者表示方法是等效的。如果想匹配字符串中的所有元音字母,则可使用下列代码:
import re def re_show(pat, s): print re.compile(pat, re.M).sub("{\g<0>}", s.rstrip()),'\n' s = '''In company or association with respect to place or time; as, to live together in one house; to live together in the same age; they walked together to the town.''' re_show(r"[aeiou]",s)
运行结果如下所示:
In c{o}mp{a}ny {o}r {a}ss{o}c{i}{a}t{i}{o}n w{i}th r{e}sp{e}ct t{o} pl{a}c{e} {o}r t{i}m{e}; {a}s, t{o} l{i}v{e} t{o}g{e}th{e}r {i}n {o}n{e} h{o}{u}s{e}; t{o} l{i}v{e} t{o}g{e}th{e}r {i}n th{e} s{a}m{e} {a}g{e}; th{e}y w{a}lk{e}d t{o}g{e}th{e}r t{o} th{e} t{o}wn.
对于字符集合有一点需要特别注意,就是元字符在方括号中会“降级”为普通字符。例如,[a.]将匹配字符“a”或“.”中的任意一个;前面说过“.”通常用作元字符。但在字符集合里,其特殊性将被剥夺,恢复成普通字符。这一点读者可以自己改动一下上面的代码来实验一下。
有时需要查找不属于某个字符集合的字符。比如想查找除了数字6以外,其它任意字符都行的情况,这时需要用到反义:其做法是把元字符“^”作为集合的首个字符,例如,[^5] 将匹配除“6”之外的任意字符。
反斜杠“\”是一种非常重要的元字符。我们知道在Python的字符串中,反斜杠也是作为一种特殊字符(或转义字符)使用,后面可以跟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“\”,你可以在其之前用反斜杠来取消它们的特殊意义:\\。
◆\d 匹配任何十进制数;它等价于字符集合[0-9]。
◆\D 匹配任何非数字字符;它等价于字符集合[^0-9]。
◆\s 匹配任何空白字符;它等价于字符集合[ \t\n\r\f\v]。
◆\S 匹配任何非空白字符;它等价于字符集合[^ \t\n\r\f\v]。
◆\w 匹配任何字母数字下划线字符;它等价于字符集合[a-zA-Z0-9_]。
◆\W 匹配任何非字母数字下划线字符;它等价于字符集合[^a-zA-Z0-9_]。
我们已经讲过为单个字符指定重复次数的方法――直接在字符后面加上限定符就行了;现在我们再来学习一下重复多个字符的八法:你可以用小括号来指定子表达式(也叫做分组),然后你就可以指定这个子表达式的重复次数了,你也可以对子表达式进行其它一些操作。
我们知道,IP地址是由点号分隔的四个数字,并且每个数字都不能大于255。(\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式,其中:\d{1,3}匹配1到3位的数字,(\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次,最后再加上一个一到三位的数字(\d{1,3})。