正则表达式

正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

1.表达式语法

字符	说明
\d	匹配 0～9 中的一个数字(digital)。如一个'\d'可以匹配一个'9'
\w	匹配一个单词字符，包括0~9的所有数字、 26 个英文字母和下画线_
\W	匹配所有的非单词字符
\s	匹配所有的空白字符，包括空格、制表符、回车符、换页符、换行符等。\S匹配所有非空白字符
{}	用于标记前面子表达式的出现频度。{n} = n；{n, m} = [n, m]；{n,} >= n；{,m}<=m
[]	表示范围，如：[0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线
()	标记子表达式(也就是组)的开始位置和结束位置
.	可匹配除换行符之外的任意单个字符，要匹配'.'则使用'\.'
*	指定前面子表达式可以出现零次或多次。[0, n]
+	指定前面子表达式可以出现一次或多次。[1, n]
?	指定前面子表达式可以出现零次或一次。[0, 1]
|	两项之间任选一项。'(P|p)ython'可以匹配'Python'或者'python'
^	匹配一行的开头，[]中表示求否。'^\d'表示必须以数字开头，[^a-f]表示不在a-f范围内的任意字符
$	匹配一行的结尾。'\d$'表示必须以数字结束

例：

1. \s+ 表示至少有一个空格，匹配' '等
2. \d{3,8} 表示3~8个数字，匹配12345等
3. \d{3}\-\d{3,8} 匹配 010-1234等，其中-是特殊字符需用\转义。
4. [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量

2.re模块

Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，建议使用Python的r前缀，就不用再考虑转义的问题。

• 字符串匹配

re.match(pattern, string, flags=0)
(1) re.match(r'^\d{3}\-\d{3,8}$', '010-1234')
(2) re.match(r'^\d{3}\-\d{3,8}$', '010 1234')

in2匹配，in3不匹配

match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

• 切分字符串

re.split(pattern, string, maxsplit=0, flags=0)
(1) re.split(r'[\s,]+', 'a,b, c d')
(2) re.split(r'[\s,;]+', 'a,;;b, ; , c d')

re.split

如果maxsplit不为零，则最多会发生maxsplit分割，并将字符串的其余部分作为列表的最后一个元素返回。

3.子表达式(组)

除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组(Group)。

m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
print(m) # <_sre.SRE_Match object; span=(0, 9), match='010-12345'>
print(m.group(0)) # '010-12345'
print(m.group(1)) # '010'
print(m.group(2)) # '12345'
print(m.groups()) # ('010', '12345')

如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。

4.贪婪模式与勉强模式

正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。
in: re.match(r'^(\d+)(0*)$', '102300').groups()
out: ('102300', '')
由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。
只要在频度限定之后添加一个英文问号?，贪婪模式就变成了勉强模式，所谓勉强模式，指的是表达式中的模式会尽可能少地匹配字符 。
in: re.match(r'^(\d+?)(0*)$', '102300').groups()
out: ('1023', '00')

5.表达式旗标

旗标	说明
re.A 或 re.ASCII	该旗标控制\w, \W, \b，\B，\d，\D，\s 和\S 只匹配 ASCII 字符，对应于行内旗标(？a)
re.DEBUG	显示编译正则表达式的 Debug 信息 。无行内旗标 。
re.I 或 re.IGNORECASE	使用正则表达式匹配时不区分大小写 。 对应于正则表达式中的(?i)行内旗标 。
re.U 或 re.Unicode	同re.A，控制...只匹配unicode字符，Python 3.x 默认匹配所有的Unicode字符
re.S 或 re.DOTALL	让点(．)能匹配包括换行符在内的所有字符。行内旗标： (?s)
r.M 或 re.MULTILINE	多行模式旗标。使^和$能匹配字符串每行开头和结尾。行内旗标：(?m)
re.X 或 re.VERBOSE	通过该旗标允许分行书写正则表达式，也允许为正则表达式添加注释。行内旗标：(?x)

例：

re.findall(r'\w*', '102就300', re.A) # ['102', '', '300', '']
re.findall(r'(?a)\w*', '102就300') # ['102', '', '300', '']
a = re.compile(r'''020    #广州的区号
               \-    # 中间的短横线
               \d{8}  # 8个数值''', re.X)
# a: re.compile(r'020    #广州的区号\n\-    # 中间的短横线\n\d{8}  # 8个数值', re.UNICODE|re.VERBOSE)

多个旗标可以通过按位 OR(|) 来指定。

6.编译

当我们在Python中使用正则表达式时，re模块内部会干两件事情：
(1)编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
(2)用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式。

import re
# 编译
 re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用
re_telephone.match('010-12345').groups() # ('010', '12345')

编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。

望指正，躬拜！参考：

• 廖雪峰的官方网站-python教程
• 疯狂python讲义