python-regex模块（正则表达式）

re.png

re模块

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 \ 对特殊字符进行转义，比如，为了匹配字符串 'python.org'，我们需要使用正则表达式 'python\.org'，而 Python 的字符串本身也用 \ 转义，所以上面的正则表达式在 Python 中应该写成 'python\\.org'，这会很容易陷入 \ 的困扰中，因此，我们建议使用 Python 的原始字符串，只需加一个 r 前缀，上面的正则表达式可以写成：

r'python\.org'

---

贪婪匹配

在 Python 中，正则匹配默认是贪婪匹配（在少数语言中可能是非贪婪），也就是匹配尽可能多的字符。

比如，我们想找出字符串中的所有 div 块：

import re
content = 'aa
test1
bb
test2
cc'
pattern = re.compile(r'
.*
')
result = pattern.findall(content)
print result

执行结果：

['
test1
bb
test2
']

由于正则匹配是贪婪匹配，也就是尽可能多的匹配，因此，在成功匹配到第一个

时，它还会向右尝试匹配，查看是否还有更长的可以成功匹配的子串。

如果我们想非贪婪匹配，可以加一个 ?，如下：

import re
content = 'aa
test1
bb
test2
cc'
pattern = re.compile(r'
.*?
')    # 加上 ?
result = pattern.findall(content)
print result

结果：

['
test1
', '
test2
']

---

python中的字符串处理

说点题外话，在匹配到字符串后，往往需要进行各种字符串操作，这里给个链接供大家参考，内容很全。

---

正则表达式表示任意字符

正则表达式可以用.*匹配任意除换行之外的字符。但如果内容中包含任意多个换行怎么匹配？用.*是匹配失败的。但可以用[\s\S]*?。

\s是匹配所有空白字符，\S是匹配所有非空白字符，那么[\s\S]这个组合就可以匹配所有字符了。

关于字符编码的问题

Python3的普通字符串是str类型，实际上就是Python2的unicode类型。
要真正理解清楚这个问题，需要看一看字符编码的知识，理解unicode编码方式和实现方式的关系。
粗略的说，Python3使用的str类型并不关心你最终是什么编码，是gb2312还是utf-8，它只是用unicode的字符集编码来表示每一个字符，直到输出到文件流，需要转换为bytes类型时，才用encode指定具体的编码实现方式。

• Unicode之痛：深度讲解编码问题

参考资料

• http://funhacks.net/2016/12/27/regular_expression/
• http://pycoders-weekly-chinese.readthedocs.io/en/latest/issue5/unipain.html