重温python基础8：正则表达式

背景历史：

最初的正则表达式出现于理论计算机科学的自动控制理论和形式化语言理论中。在这些领域中有对计算（自动控制）的模型和对形式化语言描述与分类的研究。

1940年，沃伦·麦卡洛克与Walter Pitts将神经系统中的神经元描述成小而简单的自动控制元。

1950年代，数学家斯蒂芬·科尔·克莱尼利用称之为“正则集合”的数学符号来描述此模型。肯·汤普逊将此符号系统引入编辑器QED，随后是Unix上的编辑器ed，并最终引入grep。自此以后，正则表达式被广泛地应用于各种 Unix或类Unix系统的工具中。

Perl的正则表达式源自于Henry Spencer于1986年1月19日发布的regex，它已经演化成了pcre（Perl兼容正则表达式，Perl Compatible Regular Expressions，一个由Philip Hazel开发的，为很多现代工具所使用的库。

各计算机语言之间的正则表达式的集成目前[开展得很差。Perl6的子项目 Apocalypse的设计中已考虑到了这点。

————摘自wiki正则表达式：历史

创建表达式对象：

1、Python 中所有正则表达式的函数都在 re 模块中。至于re模块是什么想必根据历史应该就知道了。

import re 

如果是交互环境中，每次都需要导入该模块，不然会报错。错误消息NameError: name 're' is not defined。

2、向 re.compile() 传入一个字符串值，表示正则表达式，它将返回一个 Regex 模式对象（或者就简称为 Regex 对象）。 

要创建一个 Regex 对象来匹配电话号码模式，（回忆一下C语言中的%d），\d表示“一个数字字符”，\d\d\d-\d\d\d-\d\d\d\d 是正确电话号码（US）模式的正则表达式。 

phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d') 

现在 phoneNumRegex 变量包含了一个 Regex 对象。

匹配 Regex 对象：

Regex 对象的 search()方法查找传入的字符串，寻找该正则表达式的所有匹配。如果字符串中没有找到该正则表达式模式，search()方法将返回None。

phoneNumMatch = phoneNumRegex.search('My number is 415-555-4242.') 

如果找到了该模式， search()方法将返回一个Match 对象。Match 对象有一个group()方法，它返回被查找字符串中实际匹配的文本。

numToPrint = phoneNumMatch.group()

此时得到的numToPrint就是字符串‘415-555-4242’

题外话：看到了吗？四行代码实现了一个电话号码的简单检测，这就是python优点，当然这也只是冰山一小角。人生苦短，快用python吧。

匹配更多模式 

利用括号分组：

假定想要将区号从电话号码中分离。添加括号将在正则表达式中创建“分组”：(\d\d\d)-(\d\d\d-\d\d\d\d)。然后可以使用 group()匹配对象方法，从一个分组中获取匹配的文本。 

如果想要一次就获取所有的分组，请使用groups()方法，注意函数名的复数形式。 

括号在正则表达式中有特殊的含义，但是如果你需要在文本中匹配括号，例如，你要匹配的电话号码，可能将区号放在一对括号中，[phone]。在这种情况下，就需要用倒斜杠对(和)进行字符转义，(\(\d\d\d\))(\d\d\d-\d\d\d\d)'。

用管道匹配多个分组:

字符 | 称为“管道”。希望匹配许多表达式中的一个时，就可以使用它。例如， 正则表达式 r'Batman | Tina Fey'将匹配'Batman'或'Tina Fey'。如果 Batman 和 Tina Fey都出现在被查找的字符串中，第一次出现的匹配文本， 将作为 Match 对象返回。

注意：正则表达式中每一个符号都是有意义的，当然包括空格符号，不要大意！

也可以使用管道来匹配多个模式中的一个，作为正则表达式的一部分。例如，匹配'Batman'、'Batmobile'、'Batcopter'和'Batbat'中任意一个。因为所有这些字符串都以 Bat 开始，所以如果能够只指定一次前缀，就很方便。这可以通过括号实现。

batMatch.group()返回了完全匹配的文本'Batmobile'，而 batMatch.group(1)只是返回第一个括号分组内匹配的文本'mobile'。通过使用管道字符和分组括号，可以指定几种可选的模式，让正则表达式去匹配。 

如果需要匹配真正的管道字符，就用倒斜杠转义，即 \| 。 

用问号实现可选匹配 ：

字符 ? 表明它前面的分组在这个模式中是可选的。就是说，不论这段文本在不在，正则表达式都会认为匹配，即匹配的模式是可选的。

可以认为?是在说，“ 匹配这个问号之前的分组零次或一次” 。 如果需要匹配真正的问号字符，就使用转义字符\?。 

用星号匹配零次或多次：

*（称为星号）意味着“匹配零次或多次”，即星号之前的分组，可以在文本中出现任意次。它可以完全不存在，或一次又一次地重复。

如果需要匹配真正的星号字符，就在正则表达式的星号字符前加上倒斜杠，即 \* 。

用加号匹配一次或多次：

 +（加号）意味着“匹配一次或多次” 。加号前面的分组必须“至少出现一次”。这不是可选的。

如果需要匹配真正的加号字符，在加号前面加上倒斜杠实现转义：\+。 

用花括号匹配特定次数 ：

如果想要一个分组重复特定次数，就在正则表达式中该分组的后面，跟上花括 号包围的数字。例如，正则表达式(Ha){3}将匹配字符串'HaHaHa'，但不会匹配'HaHa'， 因为后者只重复了(Ha)分组两次。 

除了一个数字，还可以指定一个范围，即在花括号中写下一个最小值、一个逗号和 一个最大值。例如，正则表达式(Ha){3,5}将匹配'HaHaHa'、'HaHaHaHa'和'HaHaHaHaHa'。也可以不写花括号中的第一个或第二个数字，不限定最小值或最大值。例如，(Ha){3,}将匹配 3 次或更多次实例，(Ha){,5}将匹配 0 到 5 次实例。

贪心和非贪心匹配 

上面的例子有疑问，为什么HaHaHaHa的匹配结果{2，4}没有返回2个而是返回4个的HaHaHaHa。这就是‘贪心’，Python 的正则表达式默认是“贪心”的，这表示在有二义的情况下，它们会尽可能匹配最长的字符串。花括号的“非贪心”版本匹配尽可能最短的字符串，即在结束的花括号后跟着一个问号。 

findall()方法 

除了search方法外，Regex对象也有一个findall()方法。search()将返回一个Match 对象，包含被查找字符串中的“第一次”匹配的文本，而findall()方法将返回一组字符串，包含被查找字符串中的所有匹配。

findall()不是返回一个 Match 对象，而是返回一个字符串列表，只要在正则表达式中没有分组。列表中的每个字符串都是一段被查找的文本，它匹配该正则表达式。

如果在正则表达式中有分组，那么 findall()将返回元组的列表。每个元组表示一个找到的匹配，其中的项就是正则表达式中每个分组的匹配字符串。

作为 findall()方法的返回结果的总结两点： 

1．如果调用在一个没有分组的正则表达式上，例如\d\d\d-\d\d\d-\d\d\d\d，方法 findall()将返回一个匹配字符串的列表，例如['415-555-9999', '212-555-0000']。

2．如果调用在一个有分组的正则表达式上，例如(\d\d\d)-(\d\d\d)-(\d\d\d\d)，方 法 findall()将返回一个字符串的元组的列表（每个分组对应一个字符串），例如[('415', '555', '1122'), ('212', '555', '0000')]。 

字符分类 

\d 是正则表达式(0|1|2|3|4|5|6|7|8|9)的缩写，有许多这样的“缩写字符分类”。

\b	匹配一个字边界，即字与空格间的位置。例如，“er\b”匹配“never”中的“er”，但不匹配“verb”中的“er”。
\B	非字边界匹配。“er\B”匹配“verb”中的“er”，但不匹配“never”中的“er”。
\cx	匹配 x 指示的控制字符。例如，\cM 匹配 Control-M 或回车符。x 的值必须在 A-Z 或 a-z 之间。如果不是这样，则假定 c 就是“c”字符本身。
\d	数字字符匹配。等效于 [0-9]。
\D	非数字字符匹配。等效于 [^0-9]。
\f	换页符匹配。等效于 \x0c 和 \cL。
\n	换行符匹配。等效于 \x0a 和 \cJ。
\r	匹配一个回车符。等效于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等。与 [ \f\n\r\t\v] 等效。
\S	匹配任何非空白字符。与 [^ \f\n\r\t\v] 等效。
\t	制表符匹配。与 \x09 和 \cI 等效。
\v	垂直制表符匹配。与 \x0b 和 \cK 等效。
\w	匹配任何字类字符，包括下划线。与“[A-Za-z0-9_]”等效。
\W	与任何非单词字符匹配。与“[^A-Za-z0-9_]”等效。
\xn	匹配 n，此处的 n 是一个十六进制转义码。十六进制转义码必须正好是两位数长。例如，“\x41”匹配“A”。“\x041”与“\x04”&“1”等效。允许在正则表达式中使用 ASCII 代码。
\num	匹配 num，此处的 num 是一个正整数。到捕获匹配的反向引用。例如，“(.)\1”匹配两个连续的相同字符。
\n	标识一个八进制转义码或反向引用。如果 \n 前面至少有 n 个捕获子表达式，那么 n 是反向引用。否则，如果 n是八进制数 (0-7)，那么 n 是八进制转义码。
\nm	标识一个八进制转义码或反向引用。如果 \nm 前面至少有 nm 个捕获子表达式，那么 nm 是反向引用。如果 \nm 前面至少有 n 个捕获，则 n 是反向引用，后面跟有字符 m。如果两种前面的情况都不存在，则 \nm 匹配八进制值 nm，其中 n 和 m 是八进制数字 (0-7)。
\nml	当 n 是八进制数 (0-3)，m 和 l 是八进制数 (0-7) 时，匹配八进制转义码 nml。
\un	匹配 n，其中 n 是以四位十六进制数表示的 Unicode 字符。例如，\u00A9 匹配版权符号 (©)。

字符分类对于缩短正则表达式很有用。字符分类[0-5]只匹配数字 0 到 5，这比输入(0|1|2|3|4|5)要短很多。 

通过在字符分类的左方括号后加上一个插入字符（^）， 就可以得到“非字符类” 。 非字符类将匹配不在这个字符类中的所有字符。在正则表达式的开始处使用插入符号（^），表明匹配必须发生在被查找文本开始处。

正则表达式的末尾加上美元符号（$），表示该字符串必须以这个正则表达式的模式结束。

.（句点）字符称为“通配符”。它匹配除了换行之外的所有字符。

句点字符表示“除换行外所有单个字符”，星号字符表示“前面字符出现零次或多次”。 点-星使用“贪心”模式：它总是匹配尽可能多的文本。要用“非贪心”模式匹配 所有文本，就使用点-星和问号。像和大括号一起使用时那样，问号告诉Python 用非贪心模式匹配。

通过传入 re.DOTALL 作为 re.compile()的第二个参数，可以让句点字符匹配所有字符，包括换行字符。 

向 re.compile()传入 re.IGNORECASE 或re.I，作为第二个参数，让正则表达式 不区分大小写。

向 re.compile() 传入变量 re.VERBOSE，作为第二个参数，忽略正则表达式字符串中的空白符和注释。

re.compile()函数只接受一 个值作为它的第二参数。可以使用管道字符（|）将变量组合起来，从而绕过这个限制。管道字符在这里称为“按位或”操作符。 

Regex 对象的 sub()方法需要传入两个参数。第一个参数是一个字符串，用于取代发现的匹配。第二个参数是一个字符串。sub()方法返回替换完成后的字符串。
 

注意：

可以在官方 Python 文档中找到更多内容：http://docs.python.org/3/library/re.html