俗话：学好正则表达式，走遍天下都没事！最详细的正则入门教程！

简介

正则表达式（regular expression）是可以匹配文本片段的模式。最简单的正则表达式就是普通字符串，可以匹配其自身。比如，正则表达式 ‘hello’ 可以匹配字符串 ‘hello’。

re 模块

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

进群：125240963   即可获取数十套PDF哦！

• 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象
• 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果（一个 Match 对象）
• 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作
• compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：

match(string[,pos[,endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

在上面，当匹配成功时返回一个 Match 对象，其中：

• group([group1,…]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
• start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
• end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
• span([group]) 方法返回 (start(group),end(group))。

search 方法

search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string[,endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。

findall 方法的使用形式如下：

findall(string[,endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

看看例子：

import re

pattern = re.compile(r'd+') # 查找数字

result1 = pattern.findall('hello 123456 789')

result2 = pattern.findall('one1two2three3four4',10)

print result1

print result2

执行结果：

['123456','789']

['1','2']

finditer 方法

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

split 方法

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[,maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

看看例子：

• 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；
• 如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
• count 用于指定最多替换次数，不指定时全部替换。

它返回一个元组：

(sub(repl,string[,count]),替换次数)

元组有两个元素，第一个元素是使用 sub 方法的结果，第二个元素返回原字符串被替换的次数。

看看例子：

事实上，使用 compile 函数生成的 Pattern 对象的一系列方法跟 re 模块的多数函数是对应的，但在使用上有细微差别。

match 函数

match 函数的使用形式如下：

search 函数

search 函数的使用形式如下：

re.search(pattern,flags])

search 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 search 方法类似。

findall 函数

findall 函数的使用形式如下：

re.findall(pattern,flags])

findall 函数不能指定字符串的搜索区间，用法跟 Pattern 对象的 findall 方法类似。

看看例子：

import re

print re.findall(r'd+','hello 12345 789')

# 输出

['12345','789']

finditer 函数

finditer 函数的使用方法跟 Pattern 的 finditer 方法类似，形式如下：

re.finditer(pattern,flags])

split 函数

split 函数的使用形式如下：

re.split(pattern,maxsplit])

sub 函数

sub 函数的使用形式如下：

re.sub(pattern,repl,count])

subn 函数

subn 函数的使用形式如下：

re.subn(pattern,count])

到底用哪种方式

从上文可以看到，使用 re 模块有两种方式：

• 使用 re.compile 函数生成一个 Pattern 对象，然后使用 Pattern 对象的一系列方法对文本进行匹配查找；
• 直接使用 re.match,re.search 和 re.findall 等函数直接对文本匹配查找；

下面，我们用一个例子展示这两种方法。

先看第 1 种用法：

import re

# 将正则表达式先编译成 Pattern 对象

pattern = re.compile(r'd+')

print pattern.match('123,123')

print pattern.search('234,234')

print pattern.findall('345,345')

再看第 2 种用法：

import re

print re.match(r'd+','123,123')

print re.search(r'd+','234,234')

print re.findall(r'd+','345,345')

如果一个正则表达式需要用到多次（比如上面的 d+），在多种场合经常需要被用到，出于效率的考虑，我们应该预先编译该正则表达式，生成一个 Pattern 对象，再使用该对象的一系列方法对需要匹配的文件进行匹配；而如果直接使用 re.match,re.search 等函数，每次传入一个正则表达式，它都会被编译一次，效率就会大打折扣。

因此，我们推荐使用第 1 种用法。

匹配中文

在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的 unicode 编码范围 主要在 [u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。

假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：

# -*- coding: utf-8 -*-

import re

title = u'你好，hello，世界'

pattern = re.compile(ur'[\u4e00-\u9fa5]+')

result = pattern.findall(title)

print result

注意到，我们在正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

执行结果:

[u'\u4f60\u597d',u'\u4e16\u754c']

贪婪匹配

在 Python 中，正则匹配默认是贪婪匹配（在少数语言中可能是非贪婪），也就是匹配尽可能多的字符。

比如，我们想找出字符串中的所有 div 块：

import re

content = 'aa

test1

bb

test2

cc'

pattern = re.compile(r'

.*

')

result = pattern.findall(content)

print result

执行结果：

['

test1

bb

test2

']

由于正则匹配是贪婪匹配，也就是尽可能多的匹配，因此，在成功匹配到第一个

时，它还会向右尝试匹配，查看是否还有更长的可以成功匹配的子串。

如果我们想非贪婪匹配，可以加一个 ?，如下：

import re

content = 'aa

test1

bb

test2

cc'

pattern = re.compile(r'

.*?

') # 加上 ?

result = pattern.findall(content)

print result

结果：

['

test1

','

test2

']

小结

• re 模块的一般使用步骤如下：

1. 使用 compile 函数将正则表达式的字符串形式编译为一个 Pattern 对象；
2. 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果（一个 Match 对象）；
3. 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作；

• Python 的正则匹配默认是贪婪匹配。