aying

1. 實例引入#

打開開源中國提供的正則表達式測試工具 http://tool.oschina.net/regex/，輸入待匹配的文本，然後選擇常用的正則表達式，就可以得出相應的匹配結果了。例如，這裡輸入待匹配的文本如下：

Hello, my phone number is 010-86432100 and email is cqc@cuiqingcai.com, and my website is https://cuiqingcai.com.

這段字符串中包含了一個電話號碼和一個電子郵件，接下來就嘗試用正則表達式提取出來
對於 URL 來說，可以用下面的正則表達式匹配：

[a-zA-z]+://[^\s]*

用這個正則表達式去匹配一個字符串，如果這個字符串中包含類似 URL 的文本，那就會被提取出來。

這個正則表達式看上去是亂糟糟的一團，其實不然，這裡面都是有特定的語法規則的。比如，a-z 代表匹配任意的小寫字母，\s 表示匹配任意的空白字符，* 就代表匹配前面的字符任意多個，這一長串的正則表達式就是這麼多匹配規則的組合。

寫好正則表達式後，就可以拿它去一個長字符串裡匹配查找了。不論這個字符串裡面有什麼，只要符合我們寫的規則，統統可以找出來。對於網頁來說，如果想找出網頁源代碼裡有多少 URL，用匹配 URL 的正則表達式去匹配即可。

上面我們說了幾個匹配規則，表 3-2 列出了常用的匹配規則。

常用的匹配規則

2. match#

這裡首先介紹第一個常用的匹配方法 —— match，向它傳入要匹配的字符串以及正則表達式，就可以檢測這個正則表達式是否匹配字符串。

match 方法會嘗試從字符串的起始位置匹配正則表達式，如果匹配，就返回匹配成功的結果；如果不匹配，就返回 None。示例如下：

import re

content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
result = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}', content)
print(result)
print(result.group())
print(result.span())

運行結果如下：

41
<_sre.SRE_Match object; span=(0, 25), match='Hello 123 4567 World_This'>
Hello 123 4567 World_This
(0, 25)

這裡首先聲明了一個字符串，其中包含英文字母、空白字符、數字等。接下來，我們寫一個正則表達式：

^Hello\s\d\d\d\s\d{4}\s\w{10}

用它來匹配這個長字符串。開頭的 ^ 是匹配字符串的開頭，也就是以 Hello 開頭；然後 \s 匹配空白字符，用來匹配目標字符串的空格；\d 匹配數字，3 個 \d 匹配 123；然後再寫 1 個 \s 匹配空格；後面還有 4567，我們其實可以依然用 4 個 \d 來匹配，但是這麼寫比較煩瑣，所以後面可以跟 {4} 以代表匹配前面的規則 4 次，也就是匹配 4 個數字；然後後面再緊接 1 個空白字符，最後 \w {10} 匹配 10 個字母及下劃線。我們注意到，這裡其實並沒有把目標字符串匹配完，不過這樣依然可以進行匹配，只不過匹配結果短一點而已。

而在 match 方法中，第一個參數傳入了正則表達式，第二個參數傳入了要匹配的字符串。

打印輸出結果，可以看到結果是 SRE_Match 對象，這證明成功匹配。該對象有兩個方法：group 方法可以輸出匹配到的內容，結果是 Hello 123 4567 World_This，這恰好是正則表達式規則所匹配的內容；span 方法可以輸出匹配的範圍，結果是 (0, 25)，這就是匹配到的結果字符串在原字符串中的位置範圍。

通過上面的例子，我們基本了解了如何在 Python 中使用正則表達式來匹配一段文字。

匹配目標#

剛才我們用 match 方法可以得到匹配到的字符串內容，但是如果想從字符串中提取一部分內容，那該怎麼辦呢？就像最前面的實例一樣，從一段文本中提取出郵件或電話號碼等內容。

這裡可以使用 () 括號將想提取的子字符串括起來。() 實際上標記了一個子表達式的開始和結束位置，被標記的每個子表達式會依次對應每一個分組，調用 group 方法傳入分組的索引即可獲取提取的結果。示例如下：

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello\s(\d+)\sWorld', content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())

這裡我們想把字符串中的 1234567 提取出來，此時可以將數字部分的正則表達式用 () 括起來，然後調用了 group (1) 獲取匹配結果。

運行結果如下：

<_sre.SRE_Match object; span=(0, 19), match='Hello 1234567 World'>
Hello 1234567 World
1234567
(0, 19)

可以看到，我們成功得到了 1234567。這裡用的是 group (1)，它與 group () 有所不同，後者會輸出完整的匹配結果，而前者會輸出第一個被 () 包圍的匹配結果。假如正則表達式後面還有 () 包括的內容，那麼可以依次用 group (2)、group (3) 等來獲取。

通用匹配#

剛才我們寫的正則表達式其實比較複雜，出現空白字符我們就寫 \s 匹配，出現數字我們就用 \d 匹配，這樣的工作量非常大。其實完全沒必要這麼做，因為還有一個萬能匹配可以用，那就是.（點星）。其中.（點）可以匹配任意字符（除換行符），（星）代表匹配前面的字符無限次，所以它們組合在一起就可以匹配任意字符了。有了它，我們就不用挨個字符地匹配了。

接著上面的例子，我們可以改寫一下正則表達式：

import re

content = 'Hello 123 4567 World_This is a Regex Demo'
result = re.match('^Hello.*Demo$', content)
print(result)
print(result.group())
print(result.span())

這裡我們將中間部分直接省略，全部用 .* 來代替，最後加一個結尾字符串就好了。運行結果如下：

<_sre.SRE_Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo
(0, 41)

可以看到，group 方法輸出了匹配的全部字符串，也就是說我們寫的正則表達式匹配到了目標字符串的全部內容；span 方法輸出 (0, 41)，這是整個字符串的長度。

因此，我們可以使用 .* 簡化正則表達式的書寫。

貪婪與非貪婪#

使用上面的通用匹配 .* 時，可能有時候匹配到的並不是我們想要的結果。看下面的例子：

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*(\d+).*Demo$', content)
print(result)
print(result.group(1))

這裡我們依然想獲取中間的數字，所以中間依然寫的是 (\d+)。而數字兩側由於內容比較雜亂，所以想省略來寫，都寫成 .。最後，組成 ^He.(\d+).*Demo$，看樣子並沒有什麼問題。我們看下運行結果：

<_sre.SRE_Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
7

奇怪的事情發生了，我們只得到了 7 這個數字，這是怎麼回事呢？

這裡就涉及一個貪婪匹配與非貪婪匹配的問題了。在貪婪匹配下，.* 會匹配盡可能多的字符。正則表達式中.* 後面是 \d+，也就是至少一個數字，並沒有指定具體多少個數字，因此，.* 就盡可能匹配多的字符，這裡就把 123456 匹配了，給 \d + 留下一個可滿足條件的數字 7，最後得到的內容就只有數字 7 了。

但這很明顯會給我們帶來很大的不便。有時候，匹配結果會莫名其妙少了一部分內容。其實，這裡只需要使用非貪婪匹配就好了。非貪婪匹配的寫法是 .*?，多了個？，那麼它可以達到怎樣的效果？我們再用實例看一下：

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$', content)
print(result)
print(result.group(1))

這裡我們只是將第一個 .* 改成了 .*?，轉變為非貪婪匹配。結果如下：

<_sre.SRE_Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
1234567

此時就可以成功獲取 1234567 了。原因可想而知，貪婪匹配是盡可能匹配多的字符，非貪婪匹配就是盡可能匹配少的字符。當 .? 匹配到 Hello 後面的空白字符時，再往後的字符就是數字了，而 \d + 恰好可以匹配，那麼這裡 .? 就不再進行匹配，交給 \d+ 去匹配後面的數字。所以這樣 .*? 匹配了盡可能少的字符，\d+ 的結果就是 1234567 了。

所以說，在做匹配的時候，字符串中間儘量使用非貪婪匹配，也就是用 .? 來代替 .，以免出現匹配結果缺失的情況。

但這裡需要注意，如果匹配的結果在字符串結尾，.*? 就有可能匹配不到任何內容了，因為它會匹配盡可能少的字符。例如：

import re

content = 'http://weibo.com/comment/kEraCN'
result1 = re.match('http.*?comment/(.*?)', content)
result2 = re.match('http.*?comment/(.*)', content)
print('result1', result1.group(1))
print('result2', result2.group(1))

運行結果如下：

result1 
result2 kEraCN

可以觀察到，.? 沒有匹配到任何結果，而 . 則盡量匹配多的內容，成功得到了匹配結果。

修飾符#

正則表達式可以包含一些可選標誌修飾符來控制匹配的模式。修飾符被指定為一個可選的標誌。我們用實例來看一下：

import re

content = '''Hello 1234567 World_This
is a Regex Demo
'''
result = re.match('^He.*?(\d+).*?Demo$', content)
print(result.group(1))

和上面的例子相仿，我們在字符串中加了換行符，正則表達式還是這樣的，用來匹配其中的數字。看一下運行結果：

AttributeError Traceback (most recent call last)
<ipython-input-18-c7d232b39645> in <module>()
      5 '''
      6 result = re.match('^He.*?(\d+).*?Demo$', content)
----> 7 print(result.group(1))

AttributeError: 'NoneType' object has no attribute 'group'

運行直接報錯，也就是說正則表達式沒有匹配到這個字符串，返回結果為 None，而我們又調用了 group 方法導致 AttributeError。

那麼，為什麼加了一個換行符，就匹配不到了呢？這是因為。匹配的是除換行符之外的任意字符，當遇到換行符時，.*? 就不能匹配了，所以導致匹配失敗。這裡只需加一個修飾符 re.S，即可修正這個錯誤：

result = re.match('^He.*?(\d+).*?Demo$', content, re.S)

這個修飾符的作用是使。匹配包括換行符在內的所有字符。此時運行結果如下：

1234567

這個 re.S 在網頁匹配中經常用到。因為 HTML 節點經常會有換行，加上它，就可以匹配節點與節點之間的換行了。

另外，還有一些修飾符，在必要的情況下也可以使用，如表 3-3 所示。

表 3-3　修飾符

在網頁匹配中，較為常用的有 re.S 和 re.I。

轉義匹配#

我們知道正則表達式定義了許多匹配模式，如。匹配除換行符以外的任意字符，但是如果目標字符串裡面就包含.，那該怎麼辦呢？

這裡就需要用到轉義匹配了，示例如下：

import re

content = '(百度) www.baidu.com'
result = re.match('\(百度 \) www\.baidu\.com', content)
print(result)

當遇到用於正則匹配模式的特殊字符時，在前面加反斜線轉義一下即可。例如。就可以用。來匹配，運行結果如下：

<_sre.SRE_Match object; span=(0, 17), match='(百度) www.baidu.com'>

可以看到，這裡成功匹配到了原字符串。

這些是寫正則表達式常用的幾個知識點，熟練掌握它們對後面寫正則表達式匹配非常有幫助。

3. search#

前面提到過，match 方法是從字符串的開頭開始匹配的，一旦開頭不匹配，那麼整個匹配就失敗了。我們看下面的例子：

import re

content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
result = re.match('Hello.*?(\d+).*?Demo', content)
print(result)

這裡的字符串以 Extra 開頭，但是正則表達式以 Hello 開頭，整個正則表達式是字符串的一部分，但是這樣匹配是失敗的。運行結果如下：

None

因為 match 方法在使用時需要考慮到開頭的內容，這在做匹配時並不方便。它更適合用來檢測某個字符串是否符合某個正則表達式的規則。

這裡就有另外一個方法 search，它在匹配時會掃描整個字符串，然後返回第一個成功匹配的結果。也就是說，正則表達式可以是字符串的一部分，在匹配時，search 方法會依次掃描字符串，直到找到第一個符合規則的字符串，然後返回匹配內容，如果搜索完了還沒有找到，就返回 None。

我們把上面代碼中的 match 方法修改成 search，再看下運行結果：

<_sre.SRE_Match object; span=(13, 53), match='Hello 1234567 World_This is a Regex Demo'>
1234567

這時就得到了匹配結果。

因此，為了匹配方便，我們可以儘量使用 search 方法。

下面再用幾個實例來看看 search 方法的用法。

首先，這裡有一段待匹配的 HTML 文本，接下來寫幾個正則表達式實例來實現相應信息的提取：

html = '''<div id="songs-list">
<h2 class="title"> 经典老歌 </h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2"> 一路上有你 </li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐"> 沧海一声笑 </a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦"> 往事随风 </a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond"> 光辉岁月 </a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳"> 记事本 </a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君"> 但愿人长久 </a>
</li>
</ul>
</div>'''

可以觀察到，ul 節點裡有許多 li 節點，其中 li 節點中有的包含 a 節點，有的不包含 a 節點，a 節點還有一些相應的屬性 —— 超鏈接和歌手名。

首先，我們嘗試提取 class 為 active 的 li 節點內部的超鏈接包含的歌手名和歌名，此時需要提取第三個 li 節點下 a 節點的 singer 屬性和文本。

此時正則表達式可以以 li 開頭，然後尋找一個標誌符 active，中間的部分可以用 .? 來匹配。接下來，要提取 singer 這個屬性值，所以還需要寫入 singer="(.?)"，這裡需要提取的部分用小括號括起來，以便用 group 方法提取出來，它的兩側邊界是雙引號。然後還需要匹配 a 節點的文本，其中它的左邊界是 & gt;，右邊界是 & lt;/a>。然後目標內容依然用 (.*?) 來匹配，所以最後的正則表達式就變成了：

<li.*?active.*?singer="(.*?)">(.*?)</a>

然後再調用 search 方法，它會搜索整個 HTML 文本，找到符合正則表達式的第一個內容返回。

另外，由於代碼有換行，所以這裡第三個參數需要傳入 re.S。整個匹配代碼如下：

result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>', html, re.S) 
if result:  
    print(result.group(1), result.group(2))

由於需要獲取的歌手和歌名都已經用小括號包圍，所以可以用 group 方法獲取。

運行結果如下：

齐秦往事随风

可以看到，這正是 class 為 active 的 li 節點內部的超鏈接包含的歌手名和歌名。

如果正則表達式不加 active（也就是匹配不帶 class 為 active 的節點內容），那會怎樣呢？我們將正則表達式中的 active 去掉，代碼改寫如下：

result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html, re.S)
if result:  
    print(result.group(1), result.group(2))

由於 search 方法會返回第一個符合條件的匹配目標，這裡結果就變了：

任贤齐沧海一声笑

把 active 標籤去掉後，從字符串開頭開始搜索，此時符合條件的節點就變成了第二個 li 節點，後面的就不再匹配，所以運行結果就變成第二個 li 節點中的內容。

注意，在上面的兩次匹配中，search 方法的第三個參數都加了 re.S，這使得 .*? 可以匹配換行，所以含有換行的 li 節點被匹配到了。如果我們將其去掉，結果會是什麼？代碼如下：

result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html)
if result:  
    print(result.group(1), result.group(2))

運行結果如下：

beyond 光辉岁月

可以看到，結果變成了第四個 li 節點的內容。這是因為第二個和第三個 li 節點都包含了換行符，去掉 re.S 之後，.*? 已經不能匹配換行符，所以正則表達式不會匹配到第二個和第三個 li 節點，而第四個 li 節點中不包含換行符，所以成功匹配。

由於絕大部分的 HTML 文本都包含了換行符，所以儘量都需要加上 re.S 修飾符，以免出現匹配不到的問題。

4. findall#

前面我們介紹了 search 方法的用法，它可以返回匹配正則表達式的第一個內容，但是如果想要獲取匹配正則表達式的所有內容，那該怎麼辦呢？這時就要借助 findall 方法了。該方法會搜索整個字符串，然後返回匹配正則表達式的所有內容。

還是上面的 HTML 文本，如果想獲取所有 a 節點的超鏈接、歌手和歌名，就可以將 search 方法換成 findall 方法。如果有返回結果的話，就是列表類型，所以需要遍歷一下來依次獲取每組內容。代碼如下：

results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)
print(results)  
print(type(results))  
for result in results:  
    print(result)  
    print(result[0], result[1], result[2])

運行結果如下：

[('/2.mp3', ' 任贤齐 ', ' 沧海一声笑 '), ('/3.mp3', ' 齐秦 ', ' 往事随风 '), ('/4.mp3', 'beyond', ' 光辉岁月 '), ('/5.mp3', ' 陈慧琳 ', ' 记事本 '), ('/6.mp3', ' 邓丽君 ', ' 但愿人长久 ')]
<class 'list'>
('/2.mp3', ' 任贤齐 ', ' 沧海一声笑 ')
/2.mp3 任贤齐 沧海一声笑
('/3.mp3', ' 齐秦 ', ' 往事随风 ')
/3.mp3 齐秦 往事随风
('/4.mp3', 'beyond', ' 光辉岁月 ')
/4.mp3 beyond 光辉岁月
('/5.mp3', ' 陈慧琳 ', ' 记事本 ')
/5.mp3 陈慧琳 记事本
('/6.mp3', ' 邓丽君 ', ' 但愿人长久 ')
/6.mp3 邓丽君 但愿人长久

可以看到，返回的列表中的每個元素都是元組類型，我們用對應的索引依次取出即可。

如果只是獲取第一個內容，可以用 search 方法。當需要提取多個內容時，可以用 findall 方法。

5. sub#

除了使用正則表達式提取信息外，有時候還需要借助它來修改文本。比如，想要把一串文本中的所有數字都去掉，如果只用字符串的 replace 方法，那就太煩瑣了，這時可以借助 sub 方法。示例如下：

import re

content = '54aK54yr5oiR54ix5L2g'
content = re.sub('\d+', '', content)
print(content)

運行結果如下：

aKyroiRixLg

這裡只需要給第一個參數傳入 \d+ 來匹配所有的數字，第二個參數為替換成的字符串（如果去掉該參數的話，可以賦值為空），第三個參數是原字符串。

在上面的 HTML 文本中，如果想獲取所有 li 節點的歌名，直接用正則表達式來提取可能比較煩瑣。比如，可以寫成這樣子：

results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>', html, re.S)
for result in results:
    print(result[1])

運行結果如下：

一路上有你
沧海一声笑
往事随风
光辉岁月
记事本
但愿人长久

此時借助 sub 方法就比較簡單了。可以先用 sub 方法將 a 節點去掉，只留下文本，然後再利用 findall 提取就好了：

html = re.sub('<a.*?>|</a>', '', html)
print(html)
results = re.findall('<li.*?>(.*?)</li>', html, re.S)
for result in results:
    print(result.strip())

運行結果如下：

<div id="songs-list">
    <h2 class="title"> 经典老歌 </h2>
    <p class="introduction">
        经典老歌列表
    </p>
    <ul id="list" class="list-group">
        <li data-view="2"> 一路上有你 </li>
        <li data-view="7">
            沧海一声笑
        </li>
        <li data-view="4" class="active">
            往事随风
        </li>
        <li data-view="6"> 光辉岁月 </li>
        <li data-view="5"> 记事本 </li>
        <li data-view="5">
            但愿人长久
        </li>
    </ul>
</div>
一路上有你
沧海一声笑
往事随风
光辉岁月
记事本
但愿人长久

可以看到，a 節點經過 sub 方法處理後就沒有了，然後再通過 findall 方法直接提取即可。可以看到，在適當的時候，借助 sub 方法可以起到事半功倍的效果。

6. compile#

前面所講的方法都是用來處理字符串的方法，最後再介紹一下 compile 方法，這個方法可以將正則字符串編譯成正則表達式對象，以便在後面的匹配中復用。示例代碼如下：

import re

content1 = '2016-12-15 12:00'
content2 = '2016-12-17 12:55'
content3 = '2016-12-22 13:21'
pattern = re.compile('\d{2}:\d{2}')
result1 = re.sub(pattern, '', content1)
result2 = re.sub(pattern, '', content2)
result3 = re.sub(pattern, '', content3)
print(result1, result2, result3)

例如，這裡有 3 個日期，我們想分別將 3 個日期中的時間去掉，這時可以借助 sub 方法。該方法的第一個參數是正則表達式，但是這裡沒有必要重複寫 3 個同樣的正則表達式，此時可以借助 compile 方法將正則表達式編譯成一個正則表達式對象，以便復用。

運行結果如下：

2016-12-15  2016-12-17  2016-12-22 

另外，compile 還可以傳入修飾符，例如 re.S 等修飾符，這樣在 search、findall 等方法中就不需要額外傳了。所以，compile 方法可以說是給正則表達式做了一層封裝，以便我們更好地復用。