python正则表达式re快速入门

简介

正则表达式（称为RE，或正则，或正则表达式模式）本质上是嵌入在Python中的一种微小的、高度专业化的编程语言，可通过 re 模块获得。 使用正则，可以为要匹配的可能字符串集指定规则，然后在任何字符串进行匹配。还可以使用正则修改字符串，或以各种方式将字符串拆分。

正则表达式模式被编译成一系列字节码，然后由用 C 编写的匹配引擎执行。正则表达式语言相对较小且受限制，因此并非所有可能的字符串处理任务都可以使用正则表达式完成。

简单模式

先来看看最简单的正则表达式，正则表达式最常用的任务就是匹配字符。

匹配字符

大多数字母和字符只会匹配自己。 例如，正则表达式 test 将完全匹配字符串 test 。

一些字符是特殊的 元字符（metacharacters ），并且不匹配自己。 相反，它们表示应该匹配一些与众不同的东西，或者通过重复它们或改变它们的含义来影响正则的其他部分。

元字符只有14个，完整列表如下：
. ^ $ * + ? { } [ ] \ | ( )

先来看看 [ 和 ] 。 它们用于指定字符类，它是你希望匹配的一组字符。 可以单独列出字符，也可以通过给出两个字符并用 ‘-’ 标记将它们分开来表示一系列字符。 例如， [abc] 将匹配任何字符 a、 b 或 c ；这与 [a-c] 相同，它使用一个范围来表示同一组字符。 如果你只想匹配小写字母，可以使用 [a-z] 。

字符类中的元字符不生效。 例如，[akm$] 将匹配 ‘a’ ， ‘k’ 、 ‘m’ 或 ‘$’ 中的任意字符； ‘$’ 通常是一个元字符，但在一个字符类中它被剥夺了特殊性。

当 '^' 作为该类的第一个字符时表示字符类中未出现的字符（类似取补集）。 例如，[^5] 将匹配除 ‘5’ 之外的任何字符。 但是！如果 '^' 出现在字符类的其他位置，则它没有特殊含义。 例如：[5^] 将匹配 ‘5’ 或 ‘^’。

. 可以匹配除换行符之外的任何内容，并且有一个可选模式（ re.DOTALL ）甚至可以匹配换行符。

|或者“or”运算符。 如果 A 和 B 是正则表达式，A|B 将匹配任何与 A 或 B 匹配的字符串。 | 具有非常低的优先级，以便在交替使用多字符字符串时使其合理地工作。 Crow|Servo 将匹配 'Crow' 或 'Servo'，而不是 ‘Cro’、‘w’ 或 ‘S’ 和 ‘ervo’。

$匹配行的末尾，定义为字符串的结尾，或者后跟换行符的任何位置。

\可以转义所有元字符，比如使用\[来匹配[，使用\\来匹配\。有一些以\开头的特殊序列表示预定义的字符集：

\number
匹配数字代表的组合。每个括号是一个组合，组合从1开始编号。比如 (.+) \1 匹配 ‘the the’ 或者 ‘55 55’, 但不会匹配 ‘thethe’ (注意组合后面的空格)。这个特殊序列只能用于匹配前面99个组合。如果 number 的第一个数位是0， 或者 number 是三个八进制数，它将不会被看作是一个组合，而是八进制的数字值。在 ‘[’ 和 ‘]’ 字符集合内，任何数字转义都被看作是字符。

\A
只匹配字符串开始。

\b
匹配空字符串，但只在单词开始或结尾的位置。一个单词被定义为一个单词字符的序列。注意，通常 \b 定义为 \w 和 \W 字符之间，或者 \w 和字符串开始/结尾的边界， 意思就是 r'\bfoo\b' 匹配 'foo', 'foo.', '(foo)', 'bar foo baz' 但不匹配 'foobar' 或者 'foo3'。

默认情况下，Unicode字母和数字是在Unicode样式中使用的，但是可以用 ASCII 标记来更改。如果 LOCALE 标记被设置的话，词的边界是由当前语言区域设置决定的，\b 表示退格字符，以便与Python字符串文本兼容。

\B
匹配空字符串，但 不 能在词的开头或者结尾。意思就是 r'py\B' 匹配 'python', 'py3', 'py2'， 但不匹配 'py', 'py.', 或者 'py!'. \B 是 \b 的取非。

\d
匹配任何十进制数，等价于 [0-9]。

\D
匹配任何非十进制数字的字符。就是 \d 取非，等价于 [^0-9] 。

\s
匹配任何空白字符，等价于 [ \t\n\r\f\v] 。

\S
匹配任何非空白字符。就是 \s 取非，等价于 [^ \t\n\r\f\v] 。

\w
匹配任何数字和字母和下划线，等价于 [a-zA-Z0-9_] 。

\W
匹配非单词字符的字符。这与 \w 正相反，等价于 [^a-zA-Z0-9_]。

\Z
只匹配字符串尾。

重复

*可以指定它前一个字符可以匹配任意次，比如wo*可以匹配w（0个o），wo（1个o），woo（2个o）,wooo（3个o）等。*的重复是贪婪的，匹配引擎会尽可能多的重复它。

+则是指定它前一个字符可以匹配一次或多次，与*的区别是无法匹配零次，比如wo+可以匹配wo（1个o），woo（2个o）,wooo（3个o）等，但不能匹配w（0个o），。

?则是匹配零次或一次，比如wo?匹配w（0个o），wo（1个o）。

{m,n}表示至少重复m次，最多重复n次，比如wo{1,3}可以匹配wo（1个o），woo（2个o）,wooo（3个o）。m和n可以省略，省略m表示下限为0，省略n表示上限为无穷大。

使用正则表达式

python标准库中的re模块提供了正则表达式引擎的接口，允许你将正则编译为对象，然后用它们进行匹配。

编译正则表达式

正则表达式被编译成模式对象，模式对象具有各种操作的方法，例如搜索模式匹配或执行字符串替换。

>>> import re
>>> p = re.compile(‘ab*’)
>>> p
re.compile(‘ab*’)

反斜杠灾难

正则表达式使用反斜杠字符 \ 来表示特殊形式或转义特殊字符。 这与 Python 中\的使用相冲突。

假设要编写一个与字符串 \section 相匹配的正则，必须传递给 re.compile() 的结果字符串必须是 \\section，但是，要将其表示为 Python 字符串文字，必须 再次 转义两个反斜杠，最终你写出来的字符串变成"\\\\section"。

简而言之，要匹配文字反斜杠\，正则字符串为 '\\\\' 。 在反复使用反斜杠的正则中，这会导致大量重复的反斜杠，并使得生成的字符串难以理解。

解决方案是使用 Python 的原始字符串表示法来表示正则表达式；反斜杠不以任何特殊的方式处理前缀为 'r' 的字符串字面，因此 r"\n" 是一个包含 '\' 和 'n' 的双字符字符串，而 "\n" 是一个包含换行符的单字符字符串。"\\\\section"可以写为r"\\section"。

进行匹配

现在我们得到了一个编译正则表达式的对象，该对象有几个方法和属性，最常用的有以下几个：
方法 / 属性
match()
确定正则是否从字符串的开头匹配。

search()
扫描字符串，查找此正则匹配的任何位置。

findall()
找到正则匹配的所有子字符串，并将它们作为列表返回。

finditer()
找到正则匹配的所有子字符串，并将它们返回为一个迭代器（iterator）。

如果没有找到匹配， match() 和 search() 返回 None 。如果它们成功， 一个 匹配对象实例将被返回，包含匹配相关的信息：起始和终结位置、匹配的子串以及其它。

python附带了一个小工具用来测试正则表达式，位于Tools/demo/redemo.py，源代码如下：

#!/usr/bin/env python3

"""Basic regular expression demonstration facility (Perl style syntax)."""

from tkinter import *
import re

class ReDemo:

    def __init__(self, master):
        self.master = master

        self.promptdisplay = Label(self.master, anchor=W,
                text="Enter a Perl-style regular expression:")
        self.promptdisplay.pack(side=TOP, fill=X)

        self.regexdisplay = Entry(self.master)
        self.regexdisplay.pack(fill=X)
        self.regexdisplay.focus_set()

        self.addoptions()

        self.statusdisplay = Label(self.master, text="", anchor=W)
        self.statusdisplay.pack(side=TOP, fill=X)

        self.labeldisplay =