python正则表达式 re （一）

python的学习过程中必定会接触并使用正则表达式（regular expression）,并且是网页HTML tag分析，字符串处理，网页爬虫的利器，其功能很强大，下面就共同学习一下python re的要点。

就其本质而言，正则表达式（或 RE）是一种小型的、高度专业化的编程语言，（在Python中）它内嵌在Python中，并通过 re 模块实现。使用这个小型语言，你可以为想要匹配的相应字符串集指定规则；该字符串集可能包含英文语句、e-mail地址、TeX命令或任何你想搞定的东西。
正则表达式第一件能做的事是能够匹配不定长的字符集，而这是其它能作用在字符串上的方法所不能做到的。

re的定义为可以匹配文本片段的模式，先介绍几个概念：
通配符：
可以使用一些特殊字符匹配多余一个的字符串，比如点号(.)可以匹配任何字符（除了换行符），例如 .ython可以匹配python或jython等，并且点号只能匹配一个字母，不是多个。. 匹配除了换行字符外的任何字符，在 alternate 模式（re.DOTALL）下它甚至可以匹配换行。”.” 通常被用于你想匹配“任何字符”的地方。
转义字符：
re中对于特殊字符作为普通字符使用需要转义字符（\）反斜杠。例如python\.org则会匹配python.org，而不会将 . 认为是通配符的. ，这类特殊符号需要用转义字符来表达字符本来的含义。
字符集：
我们在处理字符串的时候，需要更多的控制权，所以需要使用字符集来处理一个字符地集合，需要用[ ] 来表示一个字符集，例如[pc]ython 能够匹配python和cython；它们常用来指定一个字符类别，所谓字符类别就是你想匹配的一个字符集。字符可以单个列出，也可以用“-”号分隔的两个给定字符来表示一个字符区间。可以使用范围，如[a-zA-Z0-9]能够匹配任意大小写字母和数字（只能匹配一个这样的字符）例如可以匹配b或B或8中的一个。

元字符在类别里并不起作用。例如，[akm$]将匹配字符"a", "k", "m", 或 "$” 中的任意一个；”$”通常用作元字符，但在字符类别里，其特性被除去，恢复成普通字符。 另外的元字符有 . ^ * + ? { [ ] \ | ( ) 。
为了反转字符串，可以在开头使用^字符，如[^abc]可以匹配任何除了a,b,c之外的字符。
选择符和子模式：
字符集很好用，python还提供了选择符”|”，像是我们高级编程语言中的或，如python|perl则表示python或者是perl中的一个。
有时候我们不需要对整个模式使用选择运算符，只是其中的一部分，这时可以使用圆括号( ) 括起需要的部分，或称为子模式。例如python|perl可以写成为 p(ython|erl)
可选项和重复子模式：
在子模式后面加上问号，就变成了可选项。如：r’(http://)?(www.)?python.org‘只能匹配字符串’http://?www.python.org‘,’http://python.org‘,’www.python.org’,’python.org’中的一个。
注意事项：使用点号转义，防止被认为通配符；
每个可选子模式都用圆括号括起来；
可选子模块出现与否均可，而且互相独立；
问号?允许子模式出现一次或者不出现，re还提供了其他的重复模式：
（pattern）*：允许模式重复0次或者多次；
（pattern）+：允许模式重复>=0次；
（pattern）{m,n}:允许模式重复出现m到n次。其中，{0,} 为0次到无穷次,{1,} 为大于等于一次 , {0,1} = 不出现或出现一次
（pattern）{m} 对于前一个字符重复m次
字符串的开始和结尾：
有时候我们需要对字符串的开头和结尾进行特殊的处理，我们对开头用脱字符(^)，对字符串尾部使用美元符号$，意思是需要匹配的字符串的开头（结尾）只能是我们表达式给出的模式，例如开头使用”^ht+p”会匹配’http://python.org‘或’httttp://python.org’,但不会匹配www.http.org。

\d 匹配任何十进制数；它相当于类 [0-9]。
\D 匹配任何非数字字符；它相当于类 [^0-9]。
\s 匹配任何空白字符；它相当于类 [ fv]。
\S 匹配任何非空白字符；它相当于类 [^ fv]。
\w 匹配任何字母数字字符；它相当于类 [a-zA-Z0-9_]。
\W 匹配任何非字母数字字符；它相当于类 [^a-zA-Z0-9_]。