python 正则表达式 学习笔记（不断补充ing）

本文参考了以下博客，感谢众位大神的分享！
http://www.oschina.net/question/12_9507 和 http://www.crifan.com/python_re_sub_detailed_introduction/ http://blog.csdn.net/lxcnn/article/details/4146148 和 http://www.cnblogs.com/-ShiL/archive/2012/04/06/Star201204061009.html
正则表达式是可以匹配文本片段的模式。python中使用强大的re模块对正则表达式进行支持。

1. 常用通配符

符号	说明
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线或汉字
\s	匹配任意的空白符
\d	匹配数字
\b	匹配单词的开始或结束
^	匹配字符串的开始
$	匹配字符串的结束

2. 特殊字符进行转义

如果在正则表达式中想要把特殊字符（如上面的常用通配符）作为普通字符使用，就使用\对它们进行转义。在python的re模块中，需要用\\进行转义；如果不使用双斜线，可以使用原始字符串，这时只要用一个\即可，例如r'python\.org'。

3. 字符集

可以使用中括号[]括住字符串来创建字符集。字符集可以匹配它所包括的任意字符，如[a-z]能够匹配字母a到z的任意一个字符，还可以将范围联合起来[a-zA-Z0-9]能匹配任意大小写字母和数字（字符集只能匹配一个这样的字符）。

4. 选择符与子模式

使用|可以匹配多个模式中的一种，例如'python|perl'表示匹配字符串'python'或者'perl'。在使用|时，要注意可选模式的顺序，程序是从左向右匹配可选模式，一旦匹配左边的模式便不会考察右边的模式了。

可以使用()来指定子模式，可以在子模式中进行模式选择，还可以指定子模式的重复次数。例如，'p(ython|erl)'，r'(www\.)?'。

5. 常用限定符

限定符用来限定前面字符或者子模式出现的数量。

符号	说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

6. 反义

有时需要查找不属于某个能简单定义的字符类的字符。例如，可以在开头使用^字符，[^abc]可以匹配除a,b,c之外的任意字符，\S+匹配不包含空白符的字符串。

符号	说明
\W	匹配任意不是字母或数字或下划线或汉字的字符
\S	匹配任意不是空白符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词的开始或结束的位置
[^x]	匹配除了x以外的任意字符
[^aeiou]	匹配除了aeiou这几个字母以外的任意字符

7. 捕获组（capture group）

捕获组就是把正则表达式中子模式匹配的内容，保存到内存中以数字编号或显示命名的组里，方便后面引用。这种引用既可以在正则表达式内部，也可以在正则表达式外部。

捕获组有两种形式，一种是普通捕获组，另一种是命名捕获组，通常所说的捕获组指的是普通捕获组。语法如下：

普通捕获组：(Expression)

命名捕获组：(?<name>Expression)

7.1 捕获组的编号规则

编号规则指的是以数字为捕获组进行编号的规则，在普通捕获组或命名捕获组单独出现的正则表达式中，编号规则比较清晰，在普通捕获组与命名捕获组混合出现的正则表达式中，捕获组的编号规则稍显复杂。编号为0的捕获组是指正则表达式整体。

7.1.1 普通捕获组编号规则

如果没有显式为捕获组命名，即没有使用命名捕获组，那么需要按数字顺序来访问所有捕获组。在只有普通捕获组的情况下，捕获组的编号是按照“(”出现的顺序，从左到右，从1开始进行编号的 。例如，(\d{4})-(\d{2}-(\d\d))，其中1号为(\d{4})，2号为(\d{2}-(\d\d))，3号为(\d\d)。

7.1.2 命名捕获组编号规则

命名捕获组通过显式命名，可以通过组名方便的访问到指定的组，而不需要去一个个的数编号，同时避免了在正则表达式扩展过程中，捕获组的增加或减少对引用结果导致的不可控。不过容易忽略的是，命名捕获组也参与了编号的，在只有命名捕获组的情况下，捕获组的编号也是按照“(”出现的顺序，从左到右，从1开始进行编号的 。

7.1.3 混合编号

当一个正则表达式中，普通捕获组与命名捕获组混合出现时，捕获组的编号规则稍显复杂。对于其中的命名捕获组，随时都可以通过组名进行访问，而对于普通捕获组，则只能通过确定其编号后进行访问。

混合方式的捕获组编号，首先按照普通捕获组中“(”出现的先后顺序，从左到右，从1开始进行编号，当普通捕获组编号完成后，再按命名捕获组中“(”出现的先后顺序，从左到右，接着普通捕获组的编号值继续进行编号。也就是先忽略命名捕获组，对普通捕获组进行编号，当普通捕获组完成编号后，再对命名捕获组进行编号。

7.2 反向引用

正则表达式中，对前面捕获组捕获的内容进行引用，称为反向引用。

捕获组(Expression)在匹配成功时，会将子表达式匹配到的内容，保存到内存中一个以数字编号的组里，可以简单的认为是对一个局部变量进行了赋值，这时就可以通过反向引用方式，引用这个局部变量的值。一个捕获组(Expression)在匹配成功之前，它的内容可以是不确定的，一旦匹配成功，它的内容就确定了，反向引用的内容也就是确定的了。

反向引用必然要与捕获组一同使用的，如果没有捕获组，而使用了反向引用的语法，不同语言的处理方式不一致，有的语言会抛异常，有的语言会当作普通的转义处理。

具体例子见：http://www.cnblogs.com/-ShiL/archive/2012/04/06/Star201204061009.html

8. 贪婪与懒惰

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的 字符。以这个表达式为例：a.*b，它将会匹配最长的以 a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，也就是匹配尽可能少的 字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提 下使用最少的重复。现在看看懒惰版的例子吧：

a.*?b匹配最短的，以a开始，以b结 束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另 一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

符号	说明
*？	重复任意次，但尽可能少重复
+？	重复1次或更多次，但尽可能少重复
？？	重复0次或1次，但尽可能少重复
{n,m}	重复n次到m次，但尽可能少重复
{n,}?	重复n次以上，但尽可能少重复

*re模块之re.sub

re模块包含一些有用的操作正则表达式的函数。re.sub的作用是使用给定的替换内容将匹配模式的子字符串替换掉，相比较字符串的replace方法，re.sub可以进行更灵活的字符串搜索与替换。

re.sub(pattern, repl, string, count=0, flags=0)

pattern，repl，string为必选参数，count，flags为可选参数

1. pattern

表示正则中的模式字符串，其中反斜杠加数字（\N），则对应着捕获组。

2. repl

表示替换内容，repl可以是字符串，也可以是函数。

当repl是函数时，使用规则如下（摘自python 2.7.10 官方文档）

If repl is a function, it is called for every non-overlapping occurrence of pattern. The function takes a single match object argument, and returns the replacement string.

For example:

def dashrepl(matchobj):
if matchobj.group(0)=='-':
return ' '
else:
return '-'

re.sub('-{1,2}', dashrepl,'pro----gram-files')

运行结果如下：



其中group()函数用来提取匹配字符串中一个或多个子匹配字符串。

如果group()函数中有一个参数，那么函数返回结果为一个字符串；如果这里有多个参数，那么函数返回结果是一个元组，元组中每一项对应于group()中的一个参数。如果没有参数，则group使用默认参数0，即group(0)，函数结果返回整个匹配正则表达式的字符串。如果参数为负数或者超过了pattern中定义的子模式组数，则会报出IndexError的错误。

例如：



3. string

表示要被处理的字符串，即在该字符串中匹配正则表达式并进行替换。

4. count

count 是模式匹配後替换的最大次数。count 必须是非负整数，缺省值是 0 表示替换所有的匹配。假如对于匹配到的内容，只处理其中的一部分，则可以用count声明需要处理的数量。