正则后续（接上一期）

4.Python 案例
re 模块
Python 通过 re 模块提供对正则表达式的支持。
使用 re 的一般步骤是
•1. 将正则表达式的字符串形式编译为 Pattern 实例
•2. 使用 Pattern 实例处理文本并获得匹配结果（一个 Match 实例）
•3. 使用 Match 实例获得信息，进行其他的操作。

import re

# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello.*\!')

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello, fsf! How are you?')

if match:
    # 使用Match获得分组信息
    print(match.group())

hello, fsf!

re.compile(strPattern[, flag]):

这个方法是 Pattern 类的工厂方法，用于将字符串形式的正则表达式编译为 Pattern 对象。

第二个参数 flag 是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如 re.I | re.M。

当然，你也可以在 regex 字符串中指定模式，比如 re.compile(‘pattern’, re.I | re.M) 等价于 re.compile(‘(?im)pattern’)

flag 可选值有：
•re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
•re.M(MULTILINE): 多行模式，改变’^’和’$’的行为（参见上图）
•re.S(DOTALL): 点任意匹配模式，改变’.’的行为
•re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
•re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于 unicode 定义的字符属性
•re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

regex_1 = re.compile(r"""\d +  # 数字部分
                         \.    # 小数点部分
                         \d *  # 小数的数字部分""", re.X)
regex_2 = re.compile(r"\d+\.\d*")

Match
Match 对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用 Match 提供的可读属性或方法来获取这些信息。
match 属性：
•string: 匹配时使用的文本。
•re: 匹配时使用的 Pattern 对象。
•pos: 文本中正则表达式开始搜索的索引。值与 Pattern.match()和 Pattern.seach() 方法的同名参数相同。
•endpos: 文本中正则表达式结束搜索的索引。值与 Pattern.match()和 Pattern.seach() 方法的同名参数相同。
•lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为 None。
•lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为 None。

方法：
•group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1 可以使用编号也可以使用别名；编号 0 代表整个匹配的子串；不填写参数时，返回 group(0)；没有截获字符串的组返回 None；截获了多次的组返回最后一次截获的子串。
•groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用 group(1,2,…last)。default 表示没有截获字符串的组以这个值替代，默认为 None。
•groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default 含义同上。
•start([group]):
返回指定的组截获的子串在 string 中的起始索引（子串第一个字符的索引）。group 默认值为 0。
•end([group]):
返回指定的组截获的子串在 string 中的结束索引（子串最后一个字符的索引 +1）。group 默认值为 0。
•span([group]):
返回 (start(group), end(group))。
•expand(template):
将匹配到的分组代入 template 中然后返回。template 中可以使用 \id 或 \g、\g 引用分组，但不能使用编号 0。\id 与 \g 是等价的；但 \10 将被认为是第 10 个分组，如果你想表达 \1 之后是字符’0’，只能使用 \g<1>0。

import re
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello fsf!')

print("m.string:", m.string)
print("m.re:", m.re)
print ("m.pos:", m.pos)
print ("m.endpos:", m.endpos)
print ("m.lastindex:", m.lastindex)
print ("m.lastgroup:", m.lastgroup)

print ("m.group(1,2):", m.group(1, 2))
print ("m.groups():", m.groups())
print ("m.groupdict():", m.groupdict())
print ("m.start(2):", m.start(2))
print ("m.end(2):", m.end(2))
print ("m.span(2):", m.span(2))
print (r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3'))

m.string: hello dsg!
m.re: re.compile('(\\w+) (\\w+)(?P<sign>.*)')
m.pos: 0
m.endpos: 10
m.lastindex: 3
m.lastgroup: sign
m.group(1,2): ('hello', 'dsg')
m.groups(): ('hello', 'dsg', '!')
m.groupdict(): {'sign': '!'}
m.start(2): 6
m.end(2): 9
m.span(2): (6, 9)
m.expand(r'\2 \1\3'): dsg hello!

Pattern

Pattern 对象是一个编译好的正则表达式，通过 Pattern 提供的一系列方法可以对文本进行匹配查找。

Pattern 不能直接实例化，必须使用 re.compile() 进行构造。

Pattern 提供了几个可读属性用于获取表达式的相关信息：
•pattern: 编译时用的表达式字符串。
•flags: 编译时用的匹配模式。数字形式。
•groups: 表达式中分组的数量。
•groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内

import re
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)

print ("p.pattern:", p.pattern)
print ("p.flags:", p.flags)
print ("p.groups:", p.groups)
print ("p.groupindex:", p.groupindex)

p.pattern: (\w+) (\w+)(?P<sign>.*)
p.flags: 48
p.groups: 3
p.groupindex: {'sign': 3}

使用 pattern
•match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从 string 的 pos 下标处起尝试匹配 pattern:
如果 pattern 结束时仍可匹配，则返回一个 Match 对象
如果匹配过程中 pattern 无法匹配，或者匹配未结束就已到达 endpos，则返回 None。
pos 和 endpos 的默认值分别为 0 和 len(string)。
注意：这个方法并不是完全匹配。当 pattern 结束时若 string 还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符’$’。

•search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法从 string 的 pos 下标处起尝试匹配 pattern
如果 pattern 结束时仍可匹配，则返回一个 Match 对象
若无法匹配，则将 pos 加 1 后重新尝试匹配，直到 pos=endpos 时仍无法匹配则返回 None。
pos 和 endpos 的默认值分别为 0 和 len(string))

# encoding: UTF-8 
import re 

# 将正则表达式编译成Pattern对象 
pattern = re.compile(r'd.*g') 

# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
# 这个例子中使用match()无法成功匹配 
match = pattern.search('hello fsf!') 

if match: 
    # 使用Match获得分组信息 
    print(match.group() )

fsf

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 
按照能够匹配的子串将 string 分割后返回列表。 
maxsplit 用于指定最大分割次数，不指定将全部分割。

import re
p = re.compile(r'\d+')
print (p.split('one1two2three3four4'))

['one', 'two', 'three', 'four', '']

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 
搜索 string，以列表形式返回全部能匹配的子串。

import re

p = re.compile(r'\d+')
print (p.findall('one1two2three3four4'))

['1', '2', '3', '4']

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 搜索 string，返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

import re

p = re.compile(r'\d+')
for m in p.finditer('one11two22three3four4'):
    print( m.group())

11
22
3
4

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用 repl 替换 string 中每一个匹配的子串后返回替换后的字符串。
当 repl 是一个字符串时，可以使用 \id 或 \g、\g 引用分组，但不能使用编号 0。
当 repl 是一个方法时，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。

import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello fsf!'
print(p.sub(r'\2 \1', s))
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
print (p.sub(func, s))

say i, fsf hello!
I Say, Hello Fsf!

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 
返回 (sub(repl, string[, count]), 替换次数 )。

import re

p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello fsf!'

print(p.subn(r'\2 \1', s))

def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()

print (p.subn(func, s))

('say i, fsf hello!', 2)
('I Say, Hello Fsf!', 2)