一、什么是正则表达式？

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

二、正则表达式的匹配规则

1.表示字符

·：匹配任意除换行符\’\\n\’外的字符，但是在DOTALL模式中也可以匹配换行符\’\\n\’
\\：转义字符，使后一个字符改变原来的意思，如果字符串中想匹配*，可以使用\\*，也可以使用字符集[*]
[…]：字符集，匹配字符集中列出的任意字符。字符可以逐个列出，也可以给出范围，比如[a-z]，[0-9]，第一个字符是^表示取反。所有特殊字符在字符集中都失去其原有的特殊含义。如果想使用\’]\’,\’-\’或者\’^\’，可以在前面加上\\，或者将]或者-放在首位，将^放在非首位

2.预定义字符集（可写在字符集[]中）

\\d：数字[0-9]
\\D：非数字[^0-9]
\\s：空白字符[<空格>，\\t,\\n,\\r,\\f,\\v]
\\S：非空白字符[^\\s]
\\w：单词字符[a-zA-Z0-9_]
\\W：非单词字符[^\\w]

3.表示数量

*：匹配前一个字符0次或无限次，即可有可无
+：匹配前一个字符出现1次或者无限次，即至少有1次
{m}：匹配前一个字符出现m次
{m,}：匹配前一个字符至少出现m次
{,n}：匹配前一个字符至多出现n次
{m,n}：匹配前一个字符出现从m到n次

4.表示边界

^：匹配字符串开头。在多行模式中匹配每一行的开头
$：匹配字符串结尾。在多行模式中匹配每一行的结尾
\\A：仅匹配字符串开头
\\Z：仅匹配字符串结尾
\\b：匹配单词边界，\\w和\\W之间
\\B：匹配非单词边界，[^\\b]

5.匹配分组

|：匹配左右任意一个表达式
(…)：被括起来的表达式作为一个分组，从表达式左边开始，每遇到一个\'(\’，编号+1。分组表达式作为一个整体，后面可接数量词。表达式中的|仅在该分组中有效
(?P<name>)：分组，除了原有的编号以外，再给分组取一个别名
(?P=<name>)：引用别名为<name>的分组匹配到的字符串
\\<number>：引用编号为<number>的分组匹配到的字符串

6.特殊构造(不作为分组)

(?:…)：(…)的不分组版本，用于使用\’|\’或后面接上数量词，比如(?:[1-9]?\\d|100)表示匹配数字0-100，(?:abc){2}表示匹配abcabc
剩下的一些不常见，略

三、re模块

在 Python中，我们可以使用内置的 re 模块来使用正则表达式。与大多数编程语言相同，正则表达式里使用\’\\\’作为转义字符，这就可能造成反斜杠困扰。Python里的原生字符串很好地解决了这个问题，只需要在字符串前面加上\’r\’前缀。

re模块的一般使用步骤：

使用
```
compile()
```
函数将正则表达式的字符串形式编译为一个&nad8bsp;
```
Pattern
```
对象
通过
```
Pattern
```
对象提供的一系列方法对文本进行匹配查找

1.compile函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象。必须传入的第一个参数是\’规则字符串\’，另外可以通过第二个参数(flags)来指定匹配模式。
常见的匹配模式：

re.I(re.IGNORECASE): 忽略大小写
re.M(MULTILINE): 多行模式，改变’^’和’$’的行为

re.S(DOTALL): 点任意匹配模式，改变’.’的行为，可以匹配\’\\n\’

import re# 将正则表达式编译成 Pattern对象，并指定匹配模式为点任意匹配模式pattern = re.compile(r\'\\d+\',re.S)

2.Pattern 对象的一些常用方法

match方法

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。
它的一般使用形式如下：
```
match(string[, pos[, endpos]])
```
其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。
当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。
Match对象常用的方法:group(([group1, …])：用于获得一个或多个分组匹配的字符串，如果传入多个分组编号，则返回的结果为元组形式。当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
groups()：获得所有分组匹配到的字符串所构成的元组
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
span([group]) 方法返回 (start(group), end(group))，获取分组匹配的子串在整个字符串中的起始和结束位置构成的元组。

通过一些例子来熟悉一下：

In [1]: import reIn [2]: pattern = re.compile(r\"(\\w+) (\\d+)\")In [3]: m = pattern.match(\'hello 123\')In [4]: m.group(1)Out[4]: \'hello\'In [5]: m.group(1,2)Out[5]: (\'hello\', \'123\')In [6]: m.group()Out[6]: \'hello 123\'In [7]: m.groups()Out[7]: (\'hello\', \'123\')In [8]: m.start(1)Out[8]: 0In [9]: m.start(2)Out[9]: 6In [10]: m.end(1)Out[10]: 5In [11]: m.span(1)Out[11]: (0, 5)In [12]: m.span(2)Out[12]: (6, 9)

search方法

它的一般使用形式如下：
```
search(string[, pos[, endpos]])
```
其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

看看例子

>>> import re>>> pattern = re.compile(\'\\d+\')>>> m = pattern.search(\'one12twothree34four\')  # 这里如果使用 match 方法则不匹配>>> m<_sre.SRE_Match object at 0x10cc03ac0>>>> m.group()\'12\'>>> m = pattern.search(\'one12twothree34four\', 10, 30)  # 指定字符串区间>>> m<_sre.SRE_Match object at 0x10cc03b28>>>> m.group()\'34\'>>> m.span()(13, 15)

findall方法

findall 方法的使用形式如下：
```
findall(string[, pos[, endpos]])
```
其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

看个例子：

import re#re模块提供一个方法叫compile模块，提供我们输入一个匹配的规则#然后返回一个pattern实例，我们根据这个规则去匹配字符串pattern = re.compile(r\'\\d+\\.\\d*\')#通过partten.findall()方法就能够全部匹配到我们得到的字符串result = pattern.findall(\"123.141593, \'bigcat\', 232312, 3.15\")#findall 以 列表形式 返回全部能匹配的子串给resultfor item in result:print(item)

运行结果:

123.1415933.15

finditer方法

举例：

In [1]: import reIn [2]: pattern = re.compile(r\"\\d+\")In [3]: iter = pattern.finditer(\'hello123world456  haha789\')In [4]: iterOut[4]: <callable_iterator at 0x7fb824fe2a90>In [5]: for m in iter:...:     print(m.group())...:123456789

split方法

它的使用形式如下:
```
split(string[, maxsplit])
```
其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

举个例子:

In [1]: import reIn [2]: pattern = re.compile(r\"[\\d\\s]\")In [3]: pattern.split(\'hello1word2aaa bbb\')Out[3]: [\'hello\', \'word\', \'aaa\', \'bbb\']In [4]: pattern.split(\'hello1word2aaa bbb\',2)Out[4]: [\'hello\', \'word\', \'aaa bbb\']

sub方法

它的使用形式如下：
```
sub(repl, string[, count])
```
其中，repl 可以是字符串也可以是一个函数：

如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；
如果 repl 是函数，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。

In [1]: import reIn [2]: pattern = re.compile(r\'\\d+\')In [3]: pattern.sub(\'100\',\'hello20 world30\')#将所有匹配到的数据替换成100Out[3]: \'hello100 world100\'In [4]: pattern.sub(\'100\',\'hello20 world30\',1)#只替换第一个数据为100Out[4]: \'hello100 world30\'In [5]: def add(temp):...:    \'\'\'将匹配到的数据加1\'\'\'...:     strNum = temp.group()...:     num = int(strNum)+1...:     return str(num)In [6]: pattern.sub(add,\'hello20 world30\')#将所有匹配到的数据加1Out[6]: \'hello21 world31\'In [7]: pattern.sub(add,\'hello20 world30\',1)#只将匹配到的第一个数据加1Out[7]: \'hello21 world30\'

四、贪婪模式与非贪婪模式

贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配
非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配

在表示数量的\”*\”,\”?\”,\”+\”,\”{m,n}\”后面加上？，使贪婪变成非贪婪

In [1]: import reIn [2]: pattern = re.compile(r\'\\d+\')In [3]: pattern.match(\'123456789\').group()Out[3]: \'123456789\'In [4]: pattern = re.compile(r\'\\d+?\')#关闭贪婪模式In [5]:56cpattern.match(\'123456789\').group()#非贪婪模式下，?只匹配一个字符Out[5]: \'1\'In [6]: pattern = re.compile(r\'<div>.*</div>\')In [7]: pattern.match(\'<div>test1</div>bb<div>test2</div>\').group()Out[7]: \'<div>test1</div>bb<div>test2</div>\'In [8]: pattern = re.compile(r\'<div>.*?</div>\')#关闭贪婪模式In [9]: pattern.match(\'<div>test1</div>bb<div>test2</div>\').group()Out[9]: \'<div>test1</div>\'

python中re模块的使用（正则表达式）