python与正则表达式 re模块

1. 核心笔记：查找与匹配的比较

      当我们完全讨论与字符串中模式有关的正则表达式时，我们会用术语"matching"(匹配)，指的是术语pattern-matching(模式匹配)。在python专门术语中，有两种主要方法完成模式匹配：搜索(searching)和匹配(matching)。搜索，即在字符串任意部分中查找匹配的模式;而匹配是指，判断一个字符串能否从起始处全部或部分的匹配某个模式。搜索通过search()函数或方法来实现，而匹配是以调用match()函数或方法来实现的。

2. 正则表达式使用的特殊符号和字符

记号	说明	举例
literra1	匹配字符串的值	foo
re1 | re2	匹配正则表达式re1或re2	foo|bar
.(点号)	匹配任何字符(换行符除外)	b.b
^	匹配字符串的开始	^Dear
$	匹配字符串的结尾	/bin/*sh$
*	匹配前面出现的正则表达式零次 或 多次	[A-Za-z0-9]*
+	匹配前面出现的正则表达式一次 或 多次	[a-z]+\.com
?	匹配前面出现的正则表达式零次 或 一次	goo?
{N}	匹配前面出现的正则表达式N次	[0-9]{3}
{M,N}	匹配重复出现M次 到 N次的正则表达式	[0-9]{5,9}
[...]	匹配字符数组里出现的任意一个字符	[aeiou]
[..x-y..]	匹配从字符x到y中的任意一个字符	[0-9]，[A-Za-z]
[^...]	不匹配此字符集中出现的任何一个字符	[^aeiou],[^A-za-z0-9]
(...)	匹配封闭括号中正则表达式(re),保存为子组	[0-9]{3}

 

特殊符号

\d	匹配任何数字，和[0-9]一样(\D是\d的反义：任何非数字符)	data\d+.txt
\w	匹配任何数字字母字符,和[A-Za-z0-9]相同(\W是其反义)	[A-Za-z]\w+
\s	匹配任何空白符,和[\n\t\r\v\f]相同，(\S是其反义)	of\sthe
\b	匹配单词边界(\B是其反义)	\bThe\b
\nn	匹配已保存的子组	price: \16
\c	逐一匹配特殊字符c(即取消它的特殊含义，按字面匹配)	\. , \\, \*
\A(\Z)	匹配字符串的起始(结束)	\ADear

3. 

(1) 用管道符号( | )匹配多个正则表达式模式

管道符号( | )， 选择被管道符号分隔的多个不同的正则表达式中的一个。例如，下面的一些使用或操作的模式，和它们所匹配的字符串：

正则表达式模式	匹配的字符串
at | home	at , home
bat | bet | bit	bat , bet , bit

(2) 匹配任意一个单个的字符( . )

点字符或句号(.)符号匹配除换行符(NEWLINE)外的任意一个单个字符(Python 的正则表达式有一个编译标识 [S or DOTALL]，该标识能 去掉 这一限制，使 ( . ) 在匹配时包括换行符(NEWLINEs)。)(这里括号缺一半) 无论是字母、数字、不包括“\n”的空白符、可打印的字符、还是非打印字符，或是一个符号，“点”，( . )都可以匹配他们。

正表达式模式	匹配的字符串
f.o	在"f"和"o"中间的任何字符，如fao, f9o, f#o 等
..	任意两个字符
.end	匹配在字符串end 前面的任意一个字符

4. Python原始字符串(raw strings)的用法：

原始字符串的产生正是由于有正则表达式的存在。原因是ASCII字符和正则表达式特殊字符间所产生的冲突。比如，特殊字符"\b"在ASCII字符中代表退格键，但同时"\b"也是正则表达式的特殊符号，代表"匹配一个单词边界"。为了让RE编译器把两个字符"\b"当成你想要表达的字符串，而不是一个退格键，你需要用另一个反斜线对它进行转义，即可以这样写"\\b"。

       但是这样做会把问题复杂化，特别是当你的正则表达式字符串里有很多特殊字符时，就更容易令人困惑了。我们可以使用原始字符串，它可以用来简化正则表达式的复杂程序。事实上，很多Python程序员在定义正则表达式时都只使用原始字符串。

       下面的例子用来说明退格键"\b"和正则表达式"\b"(包含或不包含原始字符串)之间的区别：

>>> m=re.match("\bblow","blow") #表达是退格,没有匹配
>>> if m is not None:m.group()
... 
>>> m=re.match("\\bblow","blow") #转义后就可以匹配
>>> if m is not None:m.group()
... 
'blow'
>>> m=re.match(r"\bblow","blow") #用原始字符也可以匹配
>>> if m is not None:m.group()
... 
'blow'
>>> 

5. 用findall找到每个出现的匹配部分

       findall用于非重叠地查找某字符串中一个正则表达式模式出现的情况。findall()与search()相似之处在于二者都执行字符串搜索，但是与search和match不同之处是findall()总返回一个列表。如果findall()没有找到匹配的部分，会返回空列表;如果成功找到匹配部分，则会返回所有匹配部分的列表(按从左到右出现的顺序排列)

>>> re.findall('car','car')
['car']
>>> re.findall('car','scary')
['car']
>>> re.findall('car','carry the barcardi to the car')
['car', 'car', 'car']

       包含字组的搜索会返回更复杂的一个列表，这样做是有意义的，因为子组是允许你从单个正则表达式抽取特定模式的一种机制，比如，匹配一个完整电话号码中的一部分(例如区号)，或完整电子邮件地址的一部分(例如登录名)

       正则表达式仅有一个子组时，findall()返回子组匹配的字符串组成列表;如果表达式有多个子组，返回的结果是一个元组的列表，元组中的每个元素都是一个子组的匹配内容，像这样的元组(每一个成功的匹配对应一个元组)构成了返回列表中的元素。

import re,urllib
htmlSource = urllib.urlopen("http://www.cnblogs.com/").read(20000)
linksList=re.findall('<a.*?href=\"(.*?)\".*?>(.*?)</a>',htmlSource)
#print linksList
for link in linksList:
    print link[0]

6. python正则表达式的调试方法：

import re
numbers=["123 555 6789","1-(123)-555-6789","123-456-6789","(123).555.6789"]
for number in numbers:
    pattern=re.match(r"\d{3} \d{3} \d{4}",number,re.DEBUG)  #加上re.DEBUG就是开启的调试模式
    if pattern:
        print pattern
        print pattern.group()

下面是输出的结果：

beyond@beyond ~/code/code-python $ python debug.py 
max_repeat 3 3
  in
    category category_digit
literal 32
max_repeat 3 3
  in
    category category_digit
literal 32
max_repeat 4 4
  in
    category category_digit
<_sre.SRE_Match object at 0x7f1647b30440>
123 555 6789