Python语言学习 第十篇：正则表达式 - re
规则表达式（Regular Expression， RE），又称作正则表达式，通常用于检索、替换符合指定规则的文本，正则表达式定义的规则，称作模式（Pattern），即正则表达式的作用是从文本中查找到符合模式的文本。在Python中使用正则表达式，需要导入re模块。
import re
Python中的正则表达式大致分为以下几部分：元字符、函数和匹配选项和内置对象。
一，元字符
正则表达式定义了一个模式（Pattern)，模式中既包含用于表示规则的特殊字符（称作元字符），也包括正常的文本字符。元字符用于定义匹配的特殊模式。re模块支持的元字符如下（不包括分组和断言查找）：
- . 匹配任意字符（不包括换行符）
- ^ 匹配开始位置，多行模式下匹配每一行的开始
- $ 匹配结束位置，多行模式下匹配每一行的结束
- * 匹配前一个元字符0到多次
- + 匹配前一个元字符1到多次
- ? 匹配前一个元字符0到1次
- {m,n} 匹配前一个元字符m到n次
- \\ 转义字符，跟在其后的字符将失去作为特殊元字符的含义，例如\\.只能匹配.，不能再匹配任意字符
- [] 字符集，一个字符的集合，可匹配其中任意一个字符
- | 逻辑表达式 或 ，比如 a|b 代表可匹配 a 或者 b
- \A 匹配字符串开始位置，忽略多行模式
- \Z 匹配字符串结束位置，忽略多行模式
- \b 匹配位于单词开始或结束位置的空字符串
- \B 匹配不位于单词开始或结束位置的空字符串
- \d 匹配一个数字， 相当于 [0-9]
- \D 匹配非数字,相当于 [^0-9]
- \s 匹配任意空白字符， 相当于 [ \t\n\r\f\v]
- \S 匹配非空白字符，相当于 [^ \t\n\r\f\v]
- \w 匹配数字、字母、下划线中任意一个字符， 相当于 [a-zA-Z0-9_]
- \W 匹配非数字、字母、下划线中的任意字符，相当于 [^a-zA-Z0-9_]
注意：正则表达式是区分大小写的，元字符的大写和小写形式表示的含义是不同的。元字符实际上是由字符“\”和普通字符构成的，“\”称作转义字符，也就是说，“\”的作用是把普通字符转换为特殊的字符。
由于特殊字符也是文本中的字符，当模式需要匹配这些特殊字符时，例如，文本中包含”\”,”.”等特殊字符时，必须使用转义字符，把特殊字符转义为普通字符。推荐使用原生字符串类型(raw string)来书写正则表达式，只需要在表达式前面加个“r”即可，如下：
r'\d{2}-\d{8}' r'\bt\w*\b'
二，re模块常用的函数
从帮助文档中可以看到，re模块导出的函数主要是：match、search、sub、split、findall、finditer、compile和escape，这些函数中，通常有三个参数，string：用于匹配的文本，pattern：正则表达式的模式，flags：匹配选项，flags 默认为0 ，不使用任何模式。
正则表达式的flag主要有：
- I：IGNORECASE， 忽略大小写的匹配模式
- M：MULTILINE，多行模式, 改变 ^ 和 $ 的行为
- S：DOTALL，此模式下 ‘.’ 的匹配不受限制，可匹配任何字符，包括换行符
- X：VERBOSE，冗余模式， 此模式忽略正则表达式中的空白和#号的注释，例如写一个匹配邮箱的正则表达式
- U：UNICODE，使用 \w, \W, \b, \B 这些元字符时将按照 UNICODE 定义的属性.
正则表达式可以同时使用多个flag，在 Python 里面使用按位或运算符 | 同时添加多个fag，例如 re.compile(”, re.I|re.M|re.S)
1，编译和转义
compile函数用于编译一个正则表达式模块，便于复用，
re.compile(pattern, flags=0)
re.escape(pattern)
转义函数的作用，和r’pattern’的作用相同，便于编写正则表达式，避免出现过多的转义字符。
print( re.escape(".+\d123")) # output> \.\+\\d123
3，匹配第一个
正则表达式有两个匹配函数，match和search函数，这两个函数的相同之处：返回第一个匹配的对象，一旦匹配成功，就不再继续查找，返回一个SRE_Match 对象；如果找不到，则返回None。
re.match(pattern, string, flags=0)
re.search(pattern, string, flags=0)
不同之处在于：re.match函数从字符串的开头查找，如果开头不匹配，则不再继续查找，返回None；而re.search匹配整个字符串，直到找到第一个匹配（注意：仅仅是第一个）或者没有匹配到任何文本。
5，匹配所有
re.findall在字符串中找到匹配正则表达式的所有文本，作为一个列表返回，如果没有找到匹配，则返回空列表：
re.findall(pattern, string, flags=0)
re.finditer在字符串中找到匹配正则表达式所的所有文本，并把它们作为一个迭代器返回：
re.finditer(pattern, string, flags=0)
6，替换匹配的字符
把正则表达式 pattern 匹配到的字符串替换为 repl 指定的字符串, 参数 count 用于指定最大替换次数，默认值是o，表示无限大。
re.sub(pattern, repl, string, count=0, flags=0)
替换函数可以把文本的标点符号和HTML标签去掉。
三，re内置的对象
SRE_Pattern 对象是编译后的正则表达式，编译后不仅能够复用和提升效率，同时也能够获得一些其他的关于正则表达式的信息，该对象的属性：
- flags 编译时指定的模式
- groupindex 以正则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。
- groups 正则表达式中分组的数量
- pattern 编译时用的正则表达式
SRE_Match对象保存匹配的结果，包含很多关于匹配过程以及匹配结果的信息，该对下的属性：
- endpos 本次搜索结束位置索引
- lastgroup 本次搜索匹配到的最后一个分组的别名
- lastindex 本次搜索匹配到的最后一个分组的索引
- pos 本次搜索开始位置索引
- re 本次搜索使用的 SRE_Pattern 对象
- regs 列表，元素为元组，包含本次搜索匹配到的所有分组的起止位置
- string 本次搜索操作的字符串
四，表达式的分组和断言查找
正则表达式的分组和断言查找，请参考《正则表达式和文本挖掘（Text Mining）》。
参考文档：