1. 正则表达式基础
1.1. 简单介绍
正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。
下图展示了使用正则表达式进行匹配的流程：
正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。
下图列出了Python支持的正则表达式元字符和语法：
1.2. 数量词的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪)，总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式'ab*'如果用于查找'abbbc'，将找到'abbb'。而如果使用非贪婪的数量词'ab*?'，将找到'a'。
1.3. 反斜杠的困扰
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。假如你需要匹配文本中的字符'\'，那么使用编程语言表示的正则表达式里将需要4个反斜杠'\\\\'：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r'\\'表示。同样，匹配一个数字的'\\d'可以写成r'\d'。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
1.4. 匹配模式
正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。
2. re模块
2.1. 开始使用re
Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果(一个Match实例)，最后使用Match实例获得信息，进行其他的操作。
01# encoding: UTF-8
02import re
03
04# 将正则表达式编译成Pattern对象
05pattern = re.compile(r'hello')
06
07# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
08match = pattern.match('hello world!')
09
10if match:
11# 使用Match获得分组信息
12print match.group()
13
14### 输出 ###
15# hello
re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。
可选值有：re.I(re.IGNORECASE): 忽略大小写(括号内是完整写法，下同)
M(MULTILINE): 多行模式，改变'^'和'$'的行为(参见上图)
S(DOTALL): 点任意匹配模式，改变'.'的行为
L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：
1a = re.compile(r'''\d + # the integral part
2\. # the decimal point
3\d * # some fractional digits''', re.X)
4b = re.compile(r'\d+\.\d*')
re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：
1m = re.match(r'hello','hello world!')
2print m.group()
2.2. Matchre模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。
Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
属性：string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。
方法：group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
span([group]):
返回(start(group), end(group))。
expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。
01import re
02m = re.match(r'(\w+) (\w+)(?P.*)','hello world!')
03print'm.string:', m.string
04print'm.re:', m.re
05print'm.pos:', m.pos
06print'm.endpos:', m.endpos
07print'm.lastindex:', m.lastindex
08print'm.lastgroup:', m.lastgroup
09
10print'm.group(1,2):', m.group(1,2)
11print'm.groups():', m.groups()
12print'm.groupdict():', m.groupdict()
13print'm.start(2):', m.start(2)
14print'm.end(2):', m.end(2)
15print'm.span(2):', m.span(2)
16print r'm.expand(r'\2 \1\3'):', m.expand(r'\2 \1\3')
17
18### output ###
19# m.string: hello world!
20# m.re: <_sre.sre_pattern object="" at="">0x016E1A38>
21# m.pos:0
22# m.endpos:12
23# m.lastindex:3
24# m.lastgroup: sign
25# m.group(1,2): ('hello','world')
26# m.groups(): ('hello','world','!')
27# m.groupdict(): {'sign':'!'}
28# m.start(2):6
29# m.end(2):11
30# m.span(2): (6,11)
31# m.expand(r'\2 \1\3'): world hello!
2.3. Pattern
Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息：pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
01import re
02p = re.compile(r'(\w+) (\w+)(?P.*)', re.DOTALL)
03
04print'p.pattern:', p.pattern
05print'p.flags:', p.flags
06print'p.groups:', p.groups
07print'p.groupindex:', p.groupindex
08
09### output ###
10# p.pattern: (\w+) (\w+)(?P.*)
11# p.flags:16
12# p.groups:3
13# p.groupindex: {'sign':3}
实例方法[ | re模块方法]：match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。
示例参见2.1小节。
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
01# encoding: UTF-8
02import re
03
04# 将正则表达式编译成Pattern对象
05pattern = re.compile(r'world')
06
07# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
08# 这个例子中使用match()无法成功匹配
09match = pattern.search('hello world!')
10
11if match:
12# 使用Match获得分组信息
13print match.group()
14
15### 输出 ###
16# worldsplit(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。
1import re
2
3p = re.compile(r'\d+')
4print p.split('one1two2three3four4')
5
6### output ###
7# ['one','two','three','four','']
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。
1import re
2
3p = re.compile(r'\d+')
4print p.findall('one1two2three3four4')
5
6### output ###
7# ['1','2','3','4']
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一个顺序访问每一个匹配结果(Match对象)的迭代器。
1import re
2
3p = re.compile(r'\d+')
4for m in p.finditer('one1two2three3four4'):
5print m.group(),
6
7### output ###
8#1 2 3 4
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
当repl是一个方法时，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。
01import re
02
03p = re.compile(r'(\w+) (\w+)')
04s ='i say, hello world!'
05
06print p.sub(r'\2 \1', s)
07
08def func(m):
09return m.group(1).title() +' ' + m.group(2).title()
10
11print p.sub(func, s)
12
13### output ###
14# say i, world hello!
15# I Say, Hello World!
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
01import re
02
03p = re.compile(r'(\w+) (\w+)')
04s ='i say, hello world!'
05
06print p.subn(r'\2 \1', s)
07
08def func(m):
09return m.group(1).title() +' ' + m.group(2).title()
10
11print p.subn(func, s)
12
13### output ###
14# ('say i, world hello!',2)
15# ('I Say, Hello World!',2)
转自：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
