Python正则表达式学习

正则表达式：学习爬虫必不可少的技能。

python常用re模块来实现正则表达式，所以本文主要是学习re的记录。

一般正则表达式会使用“[]”来，当然还有预设的快捷字符：

d  匹配任何十进制数；它相当于类 [0-9]。
D  匹配任何非数字字符；它相当于类 [^0-9]。
s  匹配任何空白字符；它相当于类  [ tnrfv]。
S  匹配任何非空白字符；它相当于类 [^ tnrfv]。
w  匹配任何字母数字字符；它相当于类 [a-zA-Z0-9_]。
W  匹配任何非字母数字字符；它相当于类 [^a-zA-Z0-9_]。
.   匹配除了换行字符以为的任何字符。
^   匹配行首。在MULTLINE中，可以匹配每个换行。
$   匹配行尾。
A  只匹配字符串首。当不在 MULTILINE 模式，A 和 ^ 实际上是一样的。然而，在 MULTILINE 模式里它们是不同的；A 只是匹配字符串首，而 ^ 还可以匹配在换行符之后字符串的任何位置。
Z  只匹配字符串尾。
b  单词边界。这是个零宽界定符（zero-width assertions）只用以匹配单词的词首和词尾。单词被定义为一个字母数字序列，因此词尾就是用空白符或非字母数字符来标示的。
B  另一个零宽界定符（zero-width assertions），它正好同 b 相反，只在当前位置不在单词边界时匹配。

#一般都是使用“”，反斜杠作为开头。在匹配反斜杠时，应使用“r''”，否则你会头疼的。

*    匹配前一个字符任意次数，包含0，即不存在前一个字符
+    匹配前一个字符一次以上
?    匹配前一个字符一次或零次
{m,n}匹配前一个字符：至少有m个，至多n个          
#{0，}等同于*，{1,}等同于+,{0,1}等同于?;使用时建议使用*,+,?

#以上是通用正则表达式基本语法

re模块

compile（）接受可选的标志参数，用来放置正则表达式语句。
match（）决定RE是否在字符串刚开始的位置匹配
search（）扫描字符串，找到这个RE匹配的位置
findall（）找到RE匹配的所有子串，并把它们作为一个列表返回
finditer（）找到RE匹配的所有子串，并把它们作为一个迭代器返回
group（）返回被RE匹配的字符串
start（）返回匹配开始的位置
end（）返回匹配结束的位置
span（）返回一个元组包含匹配（开始，结束）的位置

编译标志

编译标志用来改变正则表达式运行方式
（全名，简写）
DOTALL，S 使 . ,匹配包含换行在内的所有字符
IGNORECASE，I 使匹配对大小写不敏感，即关闭大小写
LOCALE，L 做本地识别（locale-aware）匹配影响 w, W, b, 和 B，这取决于当前的本地化设置。
locales 是 C 语言库中的一项功能，是用来为需要考虑不同语言的编程提供帮助的。举个例子，如果你正在处理法文文本，你想用 w+ 来匹配文字，但 w 只匹配字符类 [A-Za-z]；它并不能匹配 "é" 或 "ç"。如果你的系统配置适当且本地化设置为法语，那么内部的 C 函数将告诉程序 "é" 也应该被认为是一个字母。当在编译正则表达式时使用 LOCALE 标志会得到用这些 C 函数来处理 w 后的编译对象；这会更慢，但也会象你希望的那样可以用 w+ 来匹配法文文本。
MULTILINE,M 多行匹配，影响 ^ 和 $
VERBOSE，X 能够使用 REs 的 verbose 状态，使之被组织的更清晰易懂

举个例子，这里有一个使用 re.VERBOSE 的 RE；看看读它轻松了多少？

#!python
charref = re.compile(r"""&[[]]		   # Start of a numeric entity reference|||here has wrong.i can't fix
(
[0-9]+[^0-9]      # Decimal form
| 0[0-7]+[^0-7]   # Octal form
| x[0-9a-fA-F]+[^0-9a-fA-F] # Hexadecimal form
)
""", re.VERBOSE)

没有 verbose 设置， RE 会看起来象这样：

#!python
charref = re.compile("&#([0-9]+[^0-9]"
"|0[0-7]+[^0-7]"
"|x[0-9a-fA-F]+[^0-9a-fA-F])")

re.match

尝试从字符串开始匹配
函数原型：re.match(pattern,string,flags)
pattern为正则表达式
string为要匹配的字符串
flags为RE模式

re.search

尝试匹配整个字符串
函数原型：re.search（pattern，string，flags）

区别 re.match只匹配字符串的开始，如果开始无法匹配，则失败，返回None；而re.search匹配整个字符串。

re.sub

替换字符串中的匹配项
函数原型：re.sub（pattern，repl，string，sount）
repl为替换后的字符串
sount为替换次数，默认为0，全部替换

re.split

分割字符串
函数原型：re.split（pattern，string，flags）
用匹配到的字符串分割整个字符串

re.findall

获取字符串中所有匹配的字符串

re.compile

可以把正则表达式编译成一个正则表达式对象，用来提高效率，常用。
pattern不能直接实例化，必须使用re.compile（）进行构造

例子

	# encoding: UTF-8

	import re

	# 将正则表达式编译成Pattern对象

	pattern = re.compile(r'hello')

	# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None

	match = pattern.match('hello world!')

	if match:

	    # 使用Match获得分组信息

	    print match.group()

	### 输出 ###

# hello

#就到这儿了，目前没有学习实例，先记住匹配方法吧