6. Python 标准库

6.4 re 模块与正则表达式

正则表达式（Regular Expression，简称 regex 或 regexp）是一种强大的工具，用于匹配和处理文本。Python 通过 re 模块提供了对正则表达式的支持。本节将详细介绍 re 模块的使用方法以及正则表达式的基本语法和应用场景。

6.4.1 正则表达式基础

正则表达式是一种用于描述字符串模式的语法。通过使用特定的符号和规则，可以匹配、查找、替换或分割字符串。以下是一些常用的正则表达式元字符：

  • .：匹配任意单个字符（除了换行符）。
  • ^：匹配字符串的开头。
  • $：匹配字符串的结尾。
  • *：匹配前面的字符零次或多次。
  • +：匹配前面的字符一次或多次。
  • ?：匹配前面的字符零次或一次。
  • {n}：匹配前面的字符恰好 n 次。
  • {n,}：匹配前面的字符至少 n 次。
  • {n,m}：匹配前面的字符至少 n 次，至多 m 次。
  • []：匹配括号内的任意一个字符。
  • |：表示“或”关系。
  • ()：分组，用于捕获匹配的内容。
6.4.2 re 模块的常用函数

re 模块提供了多种函数来处理正则表达式，以下是常用的函数：

  • re.match(pattern, string)：从字符串的开头匹配正则表达式。如果匹配成功，返回一个匹配对象；否则返回 None。
  • re.search(pattern, string)：在字符串中搜索正则表达式的第一个匹配项。如果找到匹配项，返回一个匹配对象；否则返回 None。
  • re.findall(pattern, string)：返回字符串中所有与正则表达式匹配的子串，以列表形式返回。
  • re.finditer(pattern, string)：返回一个迭代器，包含所有匹配对象的匹配结果。
  • re.sub(pattern, repl, string)：将字符串中所有匹配正则表达式的部分替换为指定的字符串 repl。
  • re.split(pattern, string)：根据正则表达式匹配的部分分割字符串，返回分割后的列表。
6.4.3 正则表达式的分组与捕获

正则表达式中的分组使用圆括号 () 表示。分组不仅可以用于逻辑分组，还可以用于捕获匹配的内容。捕获的内容可以通过匹配对象的 group() 方法获取。

例如：

import re

text = "John: 30, Jane: 25"
pattern = r"(\w+): (\d+)"
matches = re.findall(pattern, text)

for name, age in matches:
    print(f"Name: {name}, Age: {age}")

输出结果为：

Name: John, Age: 30
Name: Jane, Age: 25
6.4.4 正则表达式的贪婪与非贪婪匹配

正则表达式默认是贪婪匹配的，即尽可能多地匹配字符。可以通过在量词后面加上 ? 来实现非贪婪匹配。

例如：

import re

text = "<div>content1</div><div>content2</div>"
pattern_greedy = r"<div>.*</div>"
pattern_non_greedy = r"<div>.*?</div>"

print(re.findall(pattern_greedy, text))  # 贪婪匹配
print(re.findall(pattern_non_greedy, text))  # 非贪婪匹配

输出结果为：

['<div>content1</div><div>content2</div>']
['<div>content1</div>', '<div>content2</div>']
6.4.5 正则表达式的常见应用场景

正则表达式在文本处理中有广泛的应用，以下是一些常见的场景：

  • 验证输入格式：如验证电子邮件地址、电话号码、日期格式等。
  • 提取信息：从文本中提取特定的信息，如 URL、IP 地址等。
  • 替换文本：将文本中的某些部分替换为其他内容。
  • 分割文本：根据特定的模式分割文本。
6.4.6 正则表达式的性能优化

虽然正则表达式功能强大，但在处理大量数据时可能会影响性能。以下是一些优化建议：

  • 避免过度使用贪婪匹配：贪婪匹配可能会导致回溯，影响性能。
  • 预编译正则表达式：如果同一个正则表达式需要多次使用，可以使用 re.compile() 预编译正则表达式，以提高效率。
  • 使用非捕获分组：如果不需要捕获分组内容，可以使用 (?:...) 来避免不必要的捕获操作。
6.4.7 示例代码

以下是一个使用 re 模块的完整示例，展示了如何从文本中提取电子邮件地址：

import re

text = "Contact us at support@example.com or sales@example.org for more information."
pattern = r"[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+"

emails = re.findall(pattern, text)
print("Extracted emails:", emails)

输出结果为：

Extracted emails: ['support@example.com', 'sales@example.org']
6.4.8 总结

re 模块是 Python 中处理正则表达式的核心工具，掌握正则表达式的基本语法和 re 模块的常用函数，可以极大地提高文本处理的效率。通过合理使用正则表达式，可以解决许多复杂的文本匹配和提取问题。

Last Updated::