Python正则表达式

1.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"。

2.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。

3.Python常用正则表达式

一定要掌握的几个

? 匹配 0 个或一个, 另外在非贪婪模式，最小化匹配时有用。python 默认是贪婪模式匹配的。

. 匹配任何非换行字符，但可以通过 re.S  绕过这一点.

+ 匹配一个或多个

* 匹配0个或多个.

[] 匹配里面的任何一个字符

[^  ] 不匹配里面的任何一个字符. 在 [] 中所有字符均失去特殊意义，比如'.' 不再代表仍何非换行字符，就是代表'.' 号 .

{} 匹配个数 ，比如{3}表示匹配3个，{1,3} 表示可以匹配1个到3个。

^  匹配字符串开始

$  匹配字符串结束

\d 匹配任何数字,也就是0-9

\D 匹配仍何非数字 [^0-9] 与 \d 相反

\w 匹配数字和字幕 0-9 a-z A-Z

\W 与\w 相反

\s 匹配空白字符,比如 \n \t \r \v \f

\S 与 \s 相反

\ 本身，转义符. 比如要明确的匹配'.'号，就应该用'\.' 否则  '.' 代表匹配任何非换行符了

4. re模块

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。

pattern= re.compile(r'hello') # 将正则表达式编译成Pattern对象

match= pattern.match('hello world!') # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None

if match:

    print match.group() # 使用Match获得分组信息

# 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。

常用可选值有：

- re.I(re.IGNORECASE): 忽略大小写

- M(MULTILINE): 多行模式，改变'^'和'$'的行为

- S(DOTALL): 点任意匹配模式，改变'.'的行为

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：

m= re.match(r'hello','hello world!')

print m.group()

re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。

re.match详解

re.match 尝试从字符串的开始匹配一个模式。

import re

text = 'JGood is a handsome boy, he is cool, clever, and so on...'

m = re.match(r'(\w+)\s(\w+)', text)

if m:

    print m.group(0), '\n', m.group(1)

else:

    print'not match'

re.search

　　re.search函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回，如果字符串没有匹配，则返回None。

import re

text = “JGood is a handsome boy, he is cool, clever, and so on…”

m = re.search(r’\shan(ds)ome\s’, text)

if m:

    print m.group(0), m.group(1)

else:

    print ‘not search’

re.match与re.search的区别：re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。

re.sub

　　re.sub用于替换字符串中的匹配项。下面一个例子将字符串中的空格 ‘ ‘ 替换成 ‘-’ :

import re

text = “abcde”

print re.sub(r’\s+’, ‘-’, text)

re.sub(r’\s’, lambda m: ‘[' + m.group(0) + ']‘, text, 0)；将字符串中的空格’ ‘替换为’[ ]‘。

re.split

　　可以使用re.split来分割字符串，如：re.split(r’\s+’, text)；将字符串按空格分割成一个单词列表。

re.findall

　　re.findall可以获取字符串中所有匹配的字符串。如：re.findall(r’\w*oo\w*’, text)；获取字符串中，包含’oo’的所有单词。

5. 常用正则表达式例子

5.1 数字

import re

nStr = '123'

p = re.compile(’^\d+$’,re.S)        #非负整数（正整数与零）

#p = re.compile(’^[0-9]*[1-9][0-9]*$’,re.S)      #正整数（不包括零在内）

#p = re.compile(’^((-\d+)|(0+))$’,re.S) #非正整数（负整数+0）

#p = re.compile(’^-[0-9]*[1-9][0-9]*$’,re.S) #负整数

#p = re.compile(’^-?\d+$’,re.S) #整数

#p = re.compile(’^\d+(\.\d+)?$’,re.S) #非负浮点数（正浮点数 + 0）

#p = re.compile(’^(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$’,re.S) #正浮点数

#p = re.compile(’^((-\d+(\.\d+)?)|(0+(\.0+)?))$’,re.S)  #非正浮点数（负浮点数 + 0）

# p = re.compile(’^(-?\d+)(\.\d+)?$’,re.S) #浮点数

if p.match(nStr):

    print 'exists'

else:

    print 'not'

5.2 字符相关

26个英文字母组成的字符串

import re

nStr = 'abck'

p = re.compile('^[A-Za-z]+$',re.S)

if p.match(nStr):

    print “exists”

else:

    print “not”

如果是大写的话就是：^[A-Z]+$

如果是小写的话就是：^[a-z]+$

如果是数字与字母组合：^[A-Za-z0-9]+$

如果由数字、26个字母、或下划线组成的：^\w+$

5.3 HTML相关

5.3.1 匹配<script>标签的

#coding:utf-8

import re

nStr = “<script src=’…js’></script>”

p = re.compile(’<\s*script[^>]*>[^<]*<\s*/\s*script\s*>’,re.I)

if p.match(nStr):

    print “exists”

else:

    print “not”

5.3.2 匹配<style>标签

#coding:utf-8

import re

nStr = '<style  11> <11</style>'

p = re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#[^<]表示所有的非<符号的字符

if p.match(nStr):

       print'exists'

else:

       print'not'

5.3.3 匹配HTML标签

#coding:utf-8

import re

nStr = '<div>'

p = re.compile('</?\w+[^>]*>',re.I)

if p.match(nStr):

    print 'exists'

else:

    print 'not'

5.4 匹配EMAIL地址

import re

nStr = '[email protected]'

p = re.compile('^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$',re.S)

if p.match(nStr):

    print 'exists'

else:

    print 'not'

5.5 匹配URL

import re

nStr = 'http://localhost'

p = re.compile(’^[a-zA-z]+://(\w+(-\w+)*)(\.(\w+(-\w+)*))*(\?\S*)?$’,re.S)

if p.match(nStr):

    print 'exists'

else:

    print 'not'