Python 正则表达式

Python 正则表达式（re 模块）

正则表达式（regular expressions，简称 regex 或 RE）是强大的字符序列，用于定义搜索模式。它们用于在字符串中进行模式匹配，从而实现查找特定文本格式（电子邮件、URL）、验证、搜索和替换子字符串等任务。

Python 内置的 re 模块为正则表达式提供了全面的支持，其语法大部分与 Perl 的语法兼容。如果在正则表达式的编译或使用过程中发生错误，re 模块将引发 re.error 异常。

强烈建议为正则表达式模式使用 Python 的原始字符串记法（raw string notation）（r"..."）。这可以防止正则表达式模式中的反斜杠（\）被解释为 Python 字符串转义字符。

核心函数：match() vs search()

re 模块提供了多种用于模式匹配的函数。其中两个基础函数是 match() 和 search()。

1. re.match(pattern, string, flags=0)

尝试仅从 string 的开头匹配 pattern。如果模式匹配字符串的开头，则返回一个匹配对象（match object）；否则，返回 None。

参数：

参数	描述
pattern	正则表达式字符串（使用原始字符串 r''）。
string	要在其中搜索的字符串。
flags	可选修饰符（例如 re.IGNORECASE、re.MULTILINE），使用按位或 (|) 组合。默认为 0。

2. re.search(pattern, string, flags=0)

扫描整个 string，查找 pattern 产生匹配的第一个位置。如果在字符串中的任何位置找到匹配项，则返回一个匹配对象；否则，返回 None。

参数与 re.match() 相同。

匹配对象

match() 和 search() 成功时都会返回一个 Match 对象。匹配对象具有有用的方法：

方法	描述
group(num=0)	返回整个匹配的字符串，或特定的捕获组（capturing group）num（基于 1 的索引）。group(0) 或 group() 返回整个匹配项。
groups()	返回一个包含所有捕获的子组的元组（如果没有捕获组，则返回空元组）。
start(num=0)	返回匹配项（或子组 num）的起始索引。
end(num=0)	返回匹配项（或子组 num）的结束索引（不包含该位置）。
span(num=0)	返回匹配项（或子组 num）的元组 (start, end)。

示例：match() vs search()

import re

text = "The quick brown fox jumps over the lazy dog."
pattern = r"fox"

# match() - Fails because 'fox' is not at the beginning
match_obj = re.match(pattern, text)
if match_obj:
    print(f"match() found: '{match_obj.group()}' at index {match_obj.start()}")
else:
    print("match() found nothing.")

# search() - Succeeds because 'fox' is found within the string
search_obj = re.search(pattern, text)
if search_obj:
    print(f"search() found: '{search_obj.group()}' at index {search_obj.start()}")
else:
    print("search() found nothing.")

# Example with capturing groups
line = "Cats are smarter than dogs"
pattern_groups = r'(.*) are (.*?) .*' # Capture groups with ()
search_groups = re.search(pattern_groups, line, re.IGNORECASE)

if search_groups:
    print(f"\nFull match: {search_groups.group(0)}")
    print(f"Group 1: {search_groups.group(1)}")
    print(f"Group 2: {search_groups.group(2)}")
    print(f"All groups: {search_groups.groups()}")
else:
    print("Pattern with groups not found!")

输出：

match() found nothing.
search() found: 'fox' at index 16

Full match: Cats are smarter than dogs
Group 1: Cats
Group 2: smarter
All groups: ('Cats', 'smarter')

其他有用的 re 函数

re.findall(pattern, string, flags=0)

在 string 中找到 pattern 的所有非重叠匹配项，并将它们作为字符串列表返回。如果模式包含捕获组，则返回一个元组列表，其中每个元组包含对应匹配项的捕获组。

re.finditer(pattern, string, flags=0)

类似于 findall()，但返回一个迭代器，为每个匹配项生成 Match 对象。这对于大量匹配项来说更节省内存。

re.sub(pattern, repl, string, count=0, flags=0)

将 string 中 pattern 的出现替换为 repl。repl 可以是一个字符串（允许使用反向引用，如 \1、\g<name>），也可以是一个接受匹配对象并返回替换字符串的函数。如果指定了 count 且非零，则只替换前 count 个匹配项。返回修改后的字符串。

示例：findall() 和 sub()

import re

text = "Contact us at info@example.com or support@example.org for help."

# Find all email addresses
email_pattern = r'[\w.-]+@[\w.-]+\.\w+'
emails = re.findall(email_pattern, text)
print(f"Emails found: {emails}")

# Replace domain names
phone = "Call 2004-959-559 for support # This is a Phone Number"

# Delete comments
num_no_comment = re.sub(r'#.*$', '', phone).strip()
print(f"Phone without comment: '{num_no_comment}'")

# Remove non-digits
num_digits_only = re.sub(r'\D', '', phone)
print(f"Phone digits only: '{num_digits_only}'")

输出：

Emails found: ['info@example.com', 'support@example.org']
Phone without comment: 'Call 2004-959-559 for support'
Phone digits only: '2004959559'

正则表达式标志

标志（Flags）修改模式的解释方式：

标志	别名	描述
re.IGNORECASE	re.I	执行不区分大小写的匹配。
re.MULTILINE	re.M	使 ^ 匹配每行的开头（换行符之后）和 $ 匹配每行的结尾（换行符之前），此外还匹配整个字符串的开头/结尾。
re.DOTALL	re.S	使点 (.) 特殊字符匹配包括换行符在内的任何字符；如果没有此标志，. 匹配除换行符以外的任何字符。
re.VERBOSE	re.X	允许您编写更具可读性的正则表达式模式，忽略空白字符（转义或在字符集内除外），并将 # 视作注释标记。
re.ASCII	re.A	使 \w, \W, \b, \B, \s, \S, \d, \D 执行 ASCII 字符集的匹配，而不是完整的 Unicode 匹配（Python 3 中的默认行为）。
re.UNICODE	re.U	在 Python 3 中已弃用，因为 Unicode 匹配是默认行为。包含此项是为了向后兼容性。

常见正则表达式元字符和语法

正则表达式模式由字面字符和特殊元字符（metacharacters）构成：

模式	描述
.	匹配除换行符以外的任何字符（除非使用 re.DOTALL）。
^	匹配字符串的开头（如果使用 re.MULTILINE，则匹配行的开头）。
$	匹配字符串的结尾（如果使用 re.MULTILINE，则匹配行的结尾）。
*	匹配前一个表达式的 0 次或多次重复（贪婪）。
+	匹配前一个表达式的 1 次或多次重复（贪婪）。
?	匹配前一个表达式的 0 次或 1 次重复（贪婪）。
*?, +?, ??	*, +, ? 的非贪婪（lazy）版本。匹配尽可能少的字符。
{m}	精确匹配前一个表达式的 m 次重复。
{m,n}	匹配前一个表达式的 m 到 n 次重复（包含 m 和 n，贪婪）。
{m,n}?	{m,n} 的非贪婪版本。
[...]	字符集：匹配方括号内的任何单个字符。[aeiou] 匹配任何元音字母。可以使用范围，如 [a-z] 或 [0-9]。
[^...]	否定字符集：匹配不在方括号内的任何单个字符。
\	转义字符：转义特殊字符（例如 \., \*, \\）或标记特殊序列。
\d	匹配任何 Unicode 十进制数字（如果使用 re.ASCII，则等同于 [0-9]）。
\D	匹配任何非十进制数字的字符。
\s	匹配任何 Unicode 空白字符（空格、制表符、换行符等）。
\S	匹配任何非空白字符的字符。
\w	匹配 Unicode 词字符（字母、数字加下划线）。
\W	匹配任何非词字符的字符。
\b	匹配单词开头或结尾的空字符串（词边界）。
\B	匹配非词边界的空字符串。
(...)	捕获组：匹配括号内的表达式并捕获匹配的文本。可以使用 group(n) 检索。
(?:...)	非捕获组：分组表达式但不捕获匹配项。
|	或：匹配 | 前面或后面的表达式。cat|dog 匹配 ‘cat’ 或 ‘dog’。
(?P<name>...)	命名捕获组：捕获匹配项并为其指定一个名称。通过 group('name') 访问。
(?=...)	正向先行断言（Positive Lookahead Assertion）：如果子模式在当前位置后面匹配，则匹配成功，但不消耗任何字符。
(?!...)	负向先行断言（Negative Lookahead Assertion）：如果子模式在当前位置后面不匹配，则匹配成功。
(?<=...)	正向后行断言（Positive Lookbehind Assertion）：如果子模式在当前位置前面匹配，则匹配成功，但不消耗任何字符。
(?<!...)	负向后行断言（Negative Lookbehind Assertion）：如果子模式在当前位置前面不匹配，则匹配成功。

有关更多详细信息和高级模式，请查阅官方 Python re 模块文档。