Question

1．正则表达式

正则表达式（Regular Expression）的主要功能是从字符串（string）中通过特定的模式，搜索希望找到的内容。前面，我们已经简单介绍了字符串对象的一些方法。我们可以通过这些方法来实现简单的搜索功能，例如，从字符串"I love you"中搜索"you"这一子字符串。但有些时候，我们只是想要找到符合某种格式的字符串，而不是具体的"you"。类似的例子还有很多，比如说找到小说中的所有人名，再比如说想找到字符串中包含的数字。幸好，这种格式化的搜索可以写成正则表达式。Python中可以使用包re来处理正则表达式。下面是一个简单的应用，目的是找到字符串中的数字：

---

import re
m = re.search("[0-9]","abcd4ef")
print(m.group(0))

---

re.search()接收两个参数，第一个参数"[0-9]"就是我们所说的正则表达式，它告诉Python，“听着，我想从字符串中找从0到9的任意一个数字字符”。

re.search()如果从第二个参数中找到符合要求的子字符串，就返回一个对象m，你可以通过m.group()的方法查看搜索到的结果。如果没有找到符合要求的字符，则re.search()会返回None。

除了search()方法外，re包还提供了其他搜索方法，它们的功能有所差别：

---

m = re.search(pattern, string)     # 搜索整个字符串，直到发现符合的子字符串
m = re.match(pattern, string)      # 从头开始检查字符串是否符合正则表达式。
                                   # 必须从字符串的第一个字符开始就相符

---

我们可以从这两个函数中选择一个进行搜索。上面的例子中，如果使用re.match()的话，则会得到None，因为字符串的起始为"a"，不符合"[0-9]"的要求。再一次，我们可以使用m.group()来查看找到的字符串。

我们还可以在搜索之后将搜索到的子字符串进行替换。下面的sub()利用正则pattern在字符串string中进行搜索。对于搜索到的字符串，用另一个字符串replacement进行替换。函数将返回替换后的字符串：

---

str = re.sub(pattern, replacement, string)

---

此外，常用的方法还有

---

re.split()        # 根据正则表达式分割字符串，将分割后的所有子字符串
                  # 放在一个表(list)中返回
re.findall()      # 根据正则表达式搜索字符串，将所有符合条件的子字符串
                  # 放在一个表(list)中返回

---

2．写一个正则表达式

正则表达式的功能其实非常强大，关键在于如何写出有效的正则表达式。我们先看正则表达式的常用语法。正则表达式用某些符号代表单个字符：

---

.             # 任意的一个字符
a|b           # 字符a或字符b
[afg]         # a或者f或者g的一个字符
[0-4]         # 0-4范围内的一个字符
[a-f]         # a-f范围内的一个字符
[^m]          # 不是m的一个字符
\s            # 一个空格
\S            # 一个非空格
\d            # 一个数字，相当于[0-9]
\D            # 一个非数字，相当于[^0-9]
\w            # 数字或字母，相当于[0-9a-zA-Z]
\W            # 非数字非字母，相当于[^0-9a-zA-Z]

---

正则表达式还可以用某些符号来表示某种形式的重复，这些符号紧跟在单个字符之后，就表示多个这样类似的字符：

---

*          # 重复超过0次或更多次
+          # 重复1次或超过1次
?          # 重复0次或1次
{m}        # 重复m次。比如，a{4}相当于aaaa，再比如，[1-3]{2}相当于[1-3][1-3]
{m, n}     # 重复m到n次。比如说a{2, 5}表示a重复2到5次。
           # 小于m次的重复，或者大于n次的重复都不符合条件

---

下面是重复符号的例子：

---

正则表达   相符的字符串举例   不相符字符串举例
[0-9]{3,5}  "9678"             "12", "1234567"
a?b   "b","ab"    "cb"
a+b    "aaaaab"    "b"

---

最后，还有位置相关的符号：

---

^             # 字符串的起始位置
$             # 字符串的结尾位置

---

下面是位置符号的一些例子：

---

正则表达  相符的字符串举例  不相符的字符串
^ab.*c$ abeec               cabeec

---

3．进一步提取

有的时候，我们想在搜索的同时，对结果进一步提炼。比如说，我们从下面一个字符串中提取信息：

---

content = "abcd_output_1994_abcd_1912_abcd"

---

如果我们把正则表达式写成：

---

"output_\d{4}"

---

那么用search()方法可以找到"output_1994"。但如果我们想进一步提取出1994本身，则可以在正则表达式上给目标加上括号：

---

output_(\d{4})

---

括号()包围了一个小的正则表达式\d{4}。这个小的正则表达式能从结果中进一步筛选信息，即四位的阿拉伯数字。用括号()圈起来的正则表达式的一部分，称为群（group）。一个正则表达式中可以有多个群。

我们可以group(number)的方法来查询群。需要注意的是，group(0)是整个正则表达的搜索结果。group(1)是第一个群，以此类推：

---

import re

m = re.search("output_(\d{4})", "output_1986.txt")
print(m.group(1))   # 将找到4个数字组成的1986

---

我们还可以将群命名，以便更好地使用group查询：

---

import re

m = re.search("output_(?P<year>\d{4})",
"output_1986.txt")                       #(?P<name>...) 为group命名
print(m.group("year"))                   # 打印1986

---

上面的(?P<year>…)括住了一个群，并把它命名为year。用这种方式来产生群，就可以通过"year"这个键来提取结果。