正则表达式和python的re模块

0 正则表达式

0.1 常见的元字符

.:    匹配除\r\n之外的任何单个字符

*:    匹配前面的子表达式任意次，例如Zz*可以匹配Z，可以匹配Zz，也可以匹配Zzzzzzzzzz

+:    匹配前面的子表达式任意次，例如hh+可以匹配hh，hhh，hhhhhhhhhhhhhhh

{n}:    匹配前面的子表达式n次，例如h{5}匹配hhhhhh

{n,}:    匹配前面的子表达式至少n次，例如h{5, } 匹配hhhhhh，hhhhhhhh，hhhhhhhhhhhhhhhhhh

{n,m}:    匹配前面的子表达式n到m次

?:    匹配前面的子表达式0次或1次，等价于{0,1}，如果跟在* + ? {n} {n,} {n,m}后面则代表非贪婪模式。例如hhhhh，用h+匹配得到一个结果hhhhh，用h+?则匹配到5个结果，5个都是h。

\:    转义字符，例如\\n匹配\n，\n匹配换行符，\\匹配\，\(匹配(

^:    匹配字符串的开头，例如^hello匹配hello world

$:    匹配字符串的结尾，例如scut$匹配I am from scut

[...]:   　字符集，匹配中括号内的任意字符，-代表范围，^代表非，如果要表示[ ] - ^ 要在前面加上\ 或者把] - 放在首位，把^放到非首位，例如[^0-9]匹配非数字

|:    或，匹配左右表达式任意一个，如果左边匹配成功，就不再匹配右边的表达式，例如convex|function匹配convex或者匹配function

(...):    分组，作为一个整体被匹配，例如，(really ){5} 匹配really really really really really

(?P<name>...):    分组，同时起一个别名

(?P=name):    引用别名为name的分组匹配到的字符串

\<number>:    引用编号为number的分组匹配到的字符串

\d:    匹配数字，等价于[0-9]

\D:    匹配非数字，等价于[^0-9]

\s:    匹配不可见字符，等价于[\f\n\r\t\v]，\t是制表符\x09，\n是换行符\x0a，\v是垂直制表符\x0b，\f是换页符\x0c，\r是回车符\x0d

\S:    匹配可见字符，等价于[^\s]

\w:    匹配包括下划线的任何单词字符（unicode字符集），类似但不等价于[A-Za-z0-9_]

\W:    匹配任何非单词字符，等价于[^\w]

1 python中的正则

1.1 反斜杠

在编程语言中使用正则表达式，当我们要匹配\的时候需要用4个\来匹配，\\\\匹配\，因为第一次编程语言会把\\\\转移成\\，然后第二次正则会把\\转移成\。如果用python的原生字符串r来写正则，则可以少写两个\，即r'\\'匹配\，r'\\d'匹配'\d'，r‘\d’则匹配数字

1.2  re模块的使用

# 首先将正则表达式编译成Pattern对象
pattern = re.compile('keras')

# 可以用Pattern对象的match方法匹配文本，从头开始但不要求完全的匹配，可在最后加入$则是完全匹配，返回Match对象或None
match = pattern.match('keras is a high-level neural networks API')

# 也可以用Pattern对象的search方法匹配文本，在文本中寻找子串的匹配，返回Match对象或None
match = pattern.search('keras is a high-level neural networks API')

# 用Match对象的方法输出匹配结果
if match:
    print match.group()

# 另外可以直接使用re的方法进行匹配，这样省了编译那一行，但是不能复用。
re.match('tensorflow', 'tensorflow is an open-source library for Machine Intelligence')
re.search('Machine Intelligence', 'tensorflow is an open-source library for Machine Intelligence')

1.3  re.compile(pattern, flags=0)

返回：Pattern对象

pattern: 字符串形式的正则表达式，可利用上文的元字符和普通字符进行一系列组合得到

flags: 匹配模式，分为如下几个（可用|使用多个，如re.I | re.

re.I或re.IGNORECASE：忽略大小写

re.L或re.LOCALE：使用当地locale。（python中有个locale模块，locale代表不同的语言，地区和字符集）

re.U或re.UNICODE：使用unicode的locale

re.M或re.MULTILINE：使用^或$时会匹配每一行的行首或行尾

re.S或re.DOTALL：使用.时能匹配换行符

re.X或re.VERBOX：忽略空白字符，而且可以加入注释

1.4  Pattern对象

    Pattern对象代表一个正则表达式，包含如下几个方法，这些方法在re都有对应的方法，参数略有不同，下面也一起给出

match(string, pos=0, endpos=-1) | re.match(pattern, string, flags=0):    从头开始匹配，返回一个Match对象或None。

search(string, pos=0, endpos=-1) | re.search(pattern, string, flags=0):    寻找子串的匹配，返回一个Match对象或None

split(string, maxsplit=0) | re.split(pattern, string, maxsplit=0, flags=0):    按照pattern切割string，maxsplit表示最大切割次数

findall(string , pos=0, endpos=-1) | re.findall(pattern, string, flags=0):    搜索返回全部能匹配的子串

finditer(string, pos=0, endpos=-1) | re.finditer(pattern, string, flags=0):    搜索返回match对象的迭代器

sub(repl, string, count=0) | re.sub(pattern, repl, string, count=0, flags=0):    使用repl替换string中能匹配的每一个子串，返回替换后的子串，count指定最多替换次数。

subn(repl, string, count=0) | re.subn(pattern, repl, string, count=0, flags=0):    相比于sub，多返回了一个次数，组成tuple。

1.5  Match对象

    Match对象代表匹配的结果，包含匹配的相关信息。

包含如下属性：string, re( 匹配时使用的Pattern对象）, pos, endpos, lastindex（最后一个匹配的分组的下标）, lastgroup（最后一个匹配的分组的别名）

包含如下方法：

group(group1, group2, group3,...):

返回一个或多个组匹配的子串，不填写参数默认为group(0)，代表整个匹配的子串。

group1可以是编号，也可以是组的别名。

没匹配到的组返回None，匹配到多个子串的组返回最后一个。

groups(default=None):    返所有组匹配的子串。当组没有匹配到子串时候返回default。

groupdict(default=None):    返回字典，键为组的别名，值为该组匹配到的子串。没有别名的组不返回。

start(groupNum=0):    返回指定组匹配的子串在string中的开始下标，没有匹配则返回-1

end(groupNum=0):    返回指定组匹配的子串在string中的结束下标，没有匹配则返回-1

span(group=0):    返回(start(group), end(group))

1.6  unicode编码

python中re模块的正则最好统一使用unicode编码，即u'...'的形式。

因为之前没有使用unicode，在匹配中文的时候出现了匹配错误的结果。

猜测是re模块里的方法默认使用unicode编码来执行的。