Python 正则表达式完整示例教程

正则表达式一般用来在文本中查找和替换字符串，再简单的文本中我们可以直接使用字符串查找，但是在大量数据和复杂结构中查找指定字符串不方便并且效率低，因此学习正则表达式显得非常有必要。

正则表达式

元字符

正则表达式字符串是有普通字符和元字符组成。
· 普通字符，是指按照字面意义表示的字符，比如abcd。
· 元字符，是预先定义好的一些特定字符，比如下面正则表达式中的 \w 以及 . ,都属于元字符。

rep = r'\w+@mail2\.sysu\.edu\.cn' # 匹配域名为mail2.sysu.edu.cn的邮箱

元字符是用来描述其他字符的特殊字符，它是由基本元字符+普通元字符构成。

基本元字符：

字符	说明
\	转义字符
.	表示任意一个字符
+	表示重复一次或多次
*	表示出现零次或多次
|	表示或关系，比如A
{ }	定义量词
[ ]	定义字符类
( )	定义分组
^	表示取反，或匹配一行的开始
$	匹配一行的结束
-	表示区间

\ 转义符： 比如上面的 \. ，实际上是为了匹配单个 . 符号，但是 . 本身又作为元字符表示任意一个字符，因此遇到这种情况需要转义。
^ 和 $: 这个时候不仅要求匹配字符串，而且要求字符串出现在文本的开始或者结尾，例如：

text = 'My email address is [email protected]'
rep1 = r'\w+@mail2\.sysu\.edu\.cn' # r表示原始字符，避免在正则表达式中输入转义
rep2 = r'^\w+@mail2\.sysu\.edu\.cn$' # 添加了^和$，对开头结尾有要求
# \w表示任意一个字母或数字  +表示出现一次或多次

像上面这段文本，需要将邮箱提取出来的话，只能使用rep1，因为rep2要求匹配的字符串是一行的开头和结尾，只有在邮箱是单独一行才能提取出来。
字符类：字符类用中括号括起来，只要其中一个字符满足条件即可，例如：

text1 = 'I like MATLAB and Python.'
text2 = 'I like MATLAB and python.'
rep = r'[Pp]ython'  # 等效于 python1|Python
# 上述两个文本中的python都可以用下面的正则表达式匹配出来。

^,取反符：有时候，就不需要某些字符出现，可以用取反符，例如我们需要找到非数字的字符：rep = r'^[0123456789]',这个正则表达式就可以匹配一个非数字的字符。
-,表示区间：比如上面的[0123456789]，可以直接写成[0-9]，这个区间可以是分段的，比如[0-35-9]，这个就表示除4以外的数字。

预定义字符

字符	说明
\.	匹配 .
\	匹配\
\n	匹配换行
\r	匹配回车
\f	匹配翻页符
\t	匹配水平制表符
\v	匹配垂直制表符
\s	匹配一个空格符，等价于[\t\n\r\f\v]
\S	匹配一个非空格符，等价于[^\s]
\d	匹配一个数字，等价于[0-9]
\D	匹配一个非数字，等价于[^\d]
\w	匹配任何语言单词字符、数字、下划线等，编码为ASCII的时候只能是英语
\W	等价于[^\w]

使用量词

字符	说明
？	出现零次或一次
*	出现零次或多次\
+	出现一次或多次
{n}	出现n次
{n , }	至少出现n次
{n , m}	出现n次到m次之间

贪婪量词

默认情况都是匹配的字符串越多越好，有时候要尽可能少的匹配，就需要在后面加？，表示懒惰匹配，我们具体写一个例子：

import re
text = '123456789'
rep1 = r'\d{5,8}' # 匹配12345678
m = re.search(rep1,text)
print(m)
rep2 = r'\d{5,8}?' # 匹配12345
m = re.search(rep2,text)
print(m)

字符分组

字符分组就是将一个子字符串可看成一个整体，进行匹配，举个例子：

import re
text = '12312311aa'
rep = r'(123)+'  # 123出现一次或多次
rep1 = r'123+'  # 3出现一次或多次
m = re.search(rep1,text)
print(m)
m = re.search(rep2,text)
print(m)

这样有什么好处呢？我们举一个具体的例子，提取一个电话号码的区号和号码：

import re
tel = '0715-53566663'
rep = r'(\d{3,5})-(\d{6,9})'
m = re.search(rep,tel)
print(m)
print(m.group()) # 返回匹配的所有字符串
print(m.groups()) # 返回匹配所有字符串，用元组装起来

这样，可以将区号和电话号码有效分开，除此之外还可以给分组命名：

import re
tel = '0715-53566663'
rep = r'(?P\d{3,5})-(?P\d{6,9})'
m = re.search(rep,tel)
print(m)
print(m.group()) # 返回匹配的所有字符串
print(m.groups()) # 返回匹配所有字符串，用元组装起来
print(m.group('area_code'))  # 通过分组名称来引用
print(m.group('Phone_Number'))

反向引用分组

我们在爬取网页的时候，常常会出现标签，标签的开始和结束应该是一致的，下面举例：

import re

text1 = ''
text2 = ''
text2 = '