学习 python 正则表达式

字符
描述
\
将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如，'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "("。
^
匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 '\n' 或 '\r' 之后的位置。
$
匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 '\n' 或 '\r' 之前的位置。
*
匹配前面的子表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。
+
匹配前面的子表达式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
?
匹配前面的子表达式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。
{n}
n 是一个非负整数。匹配确定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 o。
{n,}
n 是一个非负整数。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}
m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。
?
当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 "oooo"，'o+?' 将匹配单个 "o"，而 'o+' 将匹配所有 'o'。
.
匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使用象 '[.\n]' 的模式。
(pattern)
匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 '\(' 或 '\)'。
(?:pattern)
匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如， 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。
(?=pattern)
正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ，但不能匹配 "Windows 3.1" 中的 "Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)
负向预查，在任何不匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows"，但不能匹配 "Windows 2000" 中的 "Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始
(?=...)
前向肯定界定符。如果所含正则表达式，以 ... 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩馀部分还要尝试界定符的右边。For example, Isaac (?=Asimov) will match 'Isaac ' only if it's followed by 'Asimov'. [b]...不能是表达式，以下相同[/b]。
(?!...)
前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功 .For example, Isaac (?!Asimov) will match 'Isaac ' only if it's not followed by 'Asimov'.
(?<=...)
后向肯定界定符。Matches if the current position in the string is preceded by a match for ... that ends at the current position.
(?<!...)
后向否定界定符。Matches if the current position in the string is not preceded by a match for .... This is called a negative lookbehind assertion.
x|y
匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。
[xyz]
字符集合。匹配所包含的任意一个字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz]
负值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z]
字符范围。匹配指定范围内的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。
[^a-z]
负值字符范围。匹配任何不在指定范围内的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。
\b
匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B
匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\cx
匹配由 x 指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符。
\d
匹配一个数字字符。等价于 [0-9]。
\D
匹配一个非数字字符。等价于 [^0-9]。
\f
匹配一个换页符。等价于 \x0c 和 \cL。
\n
匹配一个换行符。等价于 \x0a 和 \cJ。
\r
匹配一个回车符。等价于 \x0d 和 \cM。
\s
匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S
匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t
匹配一个制表符。等价于 \x09 和 \cI。
\v
匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w
匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
\W
匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。
\xn
匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，'\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ASCII 编码。.
\num
匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，'(.)\1' 匹配两个连续的相同字符。
\n
标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为向后引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。
\nm
标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。
\nml
如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un
匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。 窗体底端
>>> str = '2007-2-23 11:00:22'
>>> pattern = re.compile('(\d{4})-(\d{1,2})-(\d{1,2})(.*)')
>>> result = pattern.search(str)
>>> reslist = result.groups()     
>>> print reslist
('2007', '2', '23', ' 11:00:22')
正则表达式常常用来分析字符串，编写一个 RE 匹配感兴趣的部分并将其分成几个小组。举个例子，一个 RFC-822 的头部用 ":" 隔成一个头部名和一个值，这就可以通过编写一个正则表达式匹配整个头部，用一组匹配头部名，另一组匹配头部值的方式来处理。
组是通过 "(" 和 ")" 元字符来标识的。 "(" 和 ")" 有很多在数学表达式中相同的意思；它们一起把在它们里面的表达式组成一组。举个例子，你可以用重复限制符，象 *, +, ?, 和 {m,n}，来重复组里的内容，比如说(ab)* 将匹配零或更多个重复的 "ab"。
组用 "(" 和 ")" 来指定，并且得到它们匹配文本的开始和结尾索引；这就可以通过一个参数用 group()、start()、end() 和 span() 来进行检索。组是从 0 开始计数的。组 0 总是存在；它就是整个 RE，所以 `MatchObject` 的方法都把组 0 作为它们缺省的参数。稍後我们将看到怎样表达不能得到它们所匹配文本的 span。
>>> p = re.compile('(a(b)c)d')
>>> m = p.match('abcd')
>>> m.group(0)
'abcd'
>>> m.group(1)
'abc'
>>> m.group(2)
'b'
groups() 方法返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。
>>> m = re.search('(?<=-)\w+', 'spam-egg') 
>>> reslist = m.groups()                 
>>> reslist
()
>>> m.group()
'egg'
>>> m = re.search('(?<=-)(\w+)', 'spam-egg')
>>> reslist = m.groups()
>>> reslist 
('egg',)
>>> m.group(0)
'egg'
>>>

一：re的几个函数

1： compile(pattern, [flags])
    根据正则表达式字符串 pattern 和可选的flags 生成正则表达式 对象
    生成正则表达式 对象（见二）
    其中flags有下面的定义：
    I  表示大小写忽略
    L  使一些特殊字符集，依赖于当前环境        
    M  多行模式 使 ^ $ 匹配除了string开始结束外，还匹配一行的开始和结束
    S  “.“ 匹配包括‘\n’在内的任意字符，否则 . 不包括‘\n’ 
    U  Make \w, \W, \b, \B, \d, \D, \s and \S dependent on the Unicode character properties database   
    X 这个主要是表示，为了写正则表达式，更可毒，会忽略一些空格和#后面的注释
    其中S比较常用，
    应用形式如下
    import re
    re.compile(……,re.S)
2： match(pattern,string,[,flags])
    让string匹配，pattern，后面分flag同compile的参数一样
    返回MatchObject 对象（见三）
3： split( pattern, string[, maxsplit = 0])
    用pattern 把string 分开
    >>> re.split('\W+', 'Words, words, words.')
    ['Words', 'words', 'words', '']
    括号‘（）’在pattern内有特殊作用，请查手册
4：findall( pattern, string[, flags])
   比较常用，
   从string内查找不重叠的符合pattern的表达式，然后返回list列表
5：sub( pattern, repl, string[, count])
   repl可以时候字符串，也可以式函数
   当repl是字符串的时候，
   就是把string 内符合pattern的子串，用repl替换了
   当repl是函数的时候，对每一个在string内的，不重叠的，匹配pattern
   的子串，调用repl（substring），然后用返回值替换substring
   >>> re.sub(r'def\s+([a-zA-Z_][a-zA-Z_0-9]*)\s*\(\s*\):',
   ...        r'static PyObject*\npy_\1(void)\n{',
   ...        'def myfunc():')
   'static PyObject*\npy_myfunc(void)\n{'
   >>> def dashrepl(matchobj):
   ...     if matchobj.group(0) == '-': return ' '
   ...     else: return '-'
   >>> re.sub('-{1,2}', dashrepl, 'pro----gram-files')
   'pro--gram files'
二：正则表达式对象 （Regular Expression Objects ）
    产生方式：通过 re.compile(pattern，[flags])回
    match( string[, pos[, endpos]]) ；返回string[pos,endpos]匹配
    pattern的MatchObject（见三）
    split( string[, maxsplit = 0])
    findall( string[, pos[, endpos]])  
    sub( repl, string[, count = 0])
    这几个函数和re模块内的相同，只不过是调用形式有点差别
    re.几个函数和 正则表达式对象的几个函数，功能相同，但同一程序如果
    多次用的这些函数功能，正则表达式对象的几个函数效率高些
三：matchobject

    通过 re.match(……) 和 re.compile(……).match返回
    该对象有如下方法和属性：
    方法：
    group( [group1, ...])
    groups( [default])
    groupdict( [default])
    start( [group])
    end( [group])
    说明这几个函数的最好方法，就是举个例子
    matchObj = re.compile(r"(?P<int>\d+)\.(\d*)")
    m = matchObj.match('3.14sss')
    #m = re.match(r"(?P<int>\d+)\.(\d*)", '3.14sss')
    print m.group()
    print m.group(0)
    print m.group(1)
    print m.group(2)
    print m.group(1,2)
    print m.group(0,1,2)
    print m.groups()
    print m.groupdict()
    print m.start(2)   
    print m.string
  输出如下：   
    3.14              
    3.14              
    3                 
    14                
    ('3', '14')       
    ('3.14', '3', '14')
    ('3', '14')       
    {'int': '3'}      
    2                 
    3.14sss
    所以group() 和group(0)返回，匹配的整个表达式的字符串
    另外group(i)  就是正则表达式中用第i个“（）” 括起来的匹配内容
    ('3.14', '3', '14')最能说明问题了。

说明：本文转自互联网