在处理文本信息时，我们常常需要通过匹配特定的字符串来提取所需的数据。正则表达式是一种強大的字符串匹配工具，是处理和过滤文本信息的常用手段之一。在 Python 中，使用 re 模块可以轻松实现正则表达式的匹配操作。它给我们提供了一些强大的功能和语法，可以帮助快速开发出精简高效的代码。

re模块的主要用途

re 模块最主要的作用就是进行字符串的正则匹配。它可以非常灵活地支持使用正则表达式去进行匹配。其中，使用最多的四个方法是 match、search、findall 和 sub 。这些函数的基本用法如下：

re.match()

re.match() 函数主要用于从字符串的开头进行匹配，如果匹配成功，则返回一个Match对象，否则返回None。Match对象具有如下方法：

  • group()：返回匹配到的字符串。
  • start()：返回匹配开始的位置。
  • end()：返回匹配结束的位置。
  • span()：返回一个元组，包含匹配开始和结束的位置。

下面是一个示例：

1
2
3
4
5
6
7
8
9
10
import re

text = "Hello, Python fans!"
pattern = r"Hello"

match_obj = re.match(pattern, text)
if match_obj:
    print(match_obj.group())   # 输出：Hello
else:
    print("未匹配到任何字符串")

re.search() 函数在给定的文本中搜索一个正则表达式，实际上和re.match()几乎一样，所不同的是re.search()函数在字符串整个范围内进行搜索，而不只是字符串开始的部分。

下面是一个示例：

1
2
3
4
5
6
7
8
9
10
import re

text = "Hello, Python fans!"
pattern = r"Python"

match_obj = re.search(pattern, text)
if match_obj:
    print(match_obj.group())   # 输出：Python
else:
    print("未匹配到任何字符串")

re.findall()

re.findall() 函数找到文本中所有匹配正则表达式的部分，并以字符串列表的形式返回它们。如果正则表达式包含捕获组，那么返回的列表会包含每个组包含的字符串。

下面是一个示例：

1
2
3
4
5
6
7
import re

text = "John has 6 apples and 2 oranges"
pattern = r"\d+"

result_list = re.findall(pattern, text)
print(result_list)   # 输出: ['6', '2']

re.sub()

re.sub() 函数可以将匹配正则表达式的所有子字符串进行替换，并返回结果，可以使用它来处理文本的格式或者进行文本数据的特定处理。具体来说，该函数包括四个参数：pattern、repl、string、count，其中pattern表示需要进行匹配的正则表达式，repl表示需要替换的字符串，string表示需要进行操作的字符串，count表示需要替换的最大次数，它是可选参数，默认值为0。

示例如下：

1
2
3
4
5
6
7
8
import re

text = "Python是一门多用途、高级编程语言。"
pattern = r"高级编程语言"
replace_str = "通用编程语言"

new_text = re.sub(pattern, replace_str, text)
print(new_text)   # 输出：Python是一门多用途、通用编程语言。

标志

re 模块提供了一些标志（flags），用于修改正则表达式模式的行为。这些标志通常通过第三个可选参数（旧版本还有第四个参数）传递给 re.compile() 函数或 re 函数的匹配方法中。以下是 re 模块最常用的标志：

  • re.I / re.IGNORECASE: 忽略大小写匹配。这个标志告诉 re 模块在匹配时忽略大小写，例如，表达式 [A-Z] 能够匹配小写字母。

  • re.M / re.MULTILINE: 多行匹配。 多行模式是一个标志，使得元字符 ‘^’ 和 ‘$’ 分别匹配整个字符串中每一行的开始和结束位置，而不是仅仅匹配整个字符串的开始和结束位置。

  • re.S / re.DOTALL: 点号匹配全部字符。 默认模式下.点号匹配除 ‘\n’（换行符）之外的任何字符。当使用 re.S 或 re.DOTALL 标志时，点号将会匹配包括换行符在内的任何字符。

  • re.L / re.LOCALE: 做本地化识别（locale-aware）匹配。 只在某些非英语环境下有意义。它可以为一些特殊字符（如\xYY序列）提供本地化映射。

  • re.U / re.UNICODE: 使用 Unicode 规则进行匹配。 默认情况下，非 ASCII 字符将仅匹配本身。如果使用了这个标志，则能匹配 Unicode 字符。

  • re.X / re.VERBOSE: Verbose模式。 该标志告诉 re 解释器忽略空白和注释。

以下是一个示例，演示如何使用多个标志：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import re

text = """Hello World
This is a multiline string
"""

# re.I：忽略大小写
# re.S：匹配换行符
pattern = r"hello.*?string"
match = re.search(pattern, text, re.I | re.S)
if match:
    print("Match found:", match.group())
else:
    print("No match")

在这个示例中，我们通过使用re.I和re.S标志来忽略大小写和匹配换行符。我们可以通过将它们作为第三个参数传递给re.search函数来使用这些标志。该模式尝试匹配字符串中以 hello 开头、以 string 结尾的内容，而不区分大小写，同时在多个行中进行匹配。

基本的正则表达式语法

正则表达式可以包含各种字符，包括普通字符和特殊字符。其中，大多数普通字符表示自字母、数字和标点符号等，而特殊字符表示匹配一类特殊字符串的模式。下面是在 Python 中使用正则表达式的一些基本语法：

  • . ：通配符，代表能匹配任意单个字符（除了换行符）
  • ^ ：匹配字符串的开头位置
  • $ ：匹配字符串的结尾位置
  • * ：匹配0个或多个前一个字符
  • + ：匹配1个或多个前一个字符
  • [] ：代表能够匹配一组字符中的任意一个字符
  • [a-z] ：可以匹配 a～z 中任意一个字母区分大小写。

re模块的一些实用技巧

在使用 re 模块的过程中，我们还可以使用一些技巧来提高使用效率。以下是一些常用的技巧：

  • 使用贪婪模式：尽量匹配到最后一项，匹配更多的字符。
  • 匹配优先级：从左到右进行匹配，匹配到满足条件的字符后继续向右匹配下一个字符。
  • 使用零宽断言：占用零字符，不会消耗字符，零宽断言可以使用 (?=) 和 (?! ) 其中，(?=)表示正前向零宽断言和(?! )表示负前向零宽断言。
  • 使用多行模式：一次性搜索多行文本。可以使用 re.MULTILINE 标志启用。