python 正则表达式使用简介和实用技巧
1. 元字符释义
.代指任意字符^从字符串开始匹配$匹配字符串的结尾*匹配前面挨着的字符，能匹配0到无穷次+同*，能匹配1到无穷次（最少1个）?匹配前面挨着的字符，匹配0或1次{}自定义匹配次数，{1,6}匹配1到6次，{6}匹配6次（重复匹配前面挨着的字符）[]匹配中括号中的任意字符，[x,y*]匹配x或y或,或*（括号中无特殊字符），但以下几个除外-如[a-z]，匹配a到z中的任意字符^如[^a-z]，非，匹配不是a到z以外的任意字符\转义
|或，如'a|b'匹配'a'或'b'()分组，如'(abc)'匹配'abc'(?P<name>\w+)'?P<name>'为固定格式，name为对该组进行命名，'\w'为真正的匹配规则- 上面的固定格式可不写，主要便于阅读和读取返回结果
\转义，有以下功能- 将无意义的普通字符变为有意义
\d匹配任何十进制数，即0-9\D匹配任何非数字字符，相当于[^0-9]\s匹配任何空白字符，相当于[\t\n\r\f\v]\S匹配任何非空白字符，相当于[^\t\n\r\f\v]\w对于 Unicode (str) 样式：
匹配Unicode词语的字符，包含了可以构成词语的绝大部分字符，也包括数字和下划线。如果设置了 ASCII 标志，就只匹配[a-zA-Z0-9_]。
对于8位(bytes)样式：
匹配ASCII字符中的数字和字母和下划线，就是[a-zA-Z0-9_]。如果设置了 LOCALE 标记，就匹配当前语言区域的数字和字母和下划线。\W匹配非单词字符的字符。这与\w正相反。如果使用了 ASCII 旗标，这就等价于[^a-zA-Z0-9_]。如果使用了 LOCALE 旗标，则会匹配当前区域中既非字母数字也非下划线的字符。\b匹配一个特殊字符边界，如空格，&，#等
- 将有意义的元字符变为无意义
如\. \* \^ \$等
- 将无意义的普通字符变为有意义
2. 基本使用
查找所有匹配的内容
>>> re.findall(r'\d', '12+(34*6+2-5*(2-1))')
['1', '2', '3', '4', '6', '2', '5', '2', '1']
查找第一个匹配的内容
>>> m = re.search(r'(\d)', '12+(34*6+2-5*(2-1))')
>>> m.groups()
('1',)
使用分组
分组可以在需要其他规则辅助定位，但是又不想获取这些规则所匹配到的内容时使用。
>>> re.findall(r'(\w+)\.', 'abd. efg. 123sd')
['abd', 'efg']
可以使用 ?P<name> 为分组命名，并通过分组名获取内容：
>>> re.search(r'(?P<wgroup>\w+)\.', 'abd. efg. 123sd').groups('wgroup')
('abd',)
迭代返回匹配的结果
如果匹配的内容太多，可以使用该方法优化内容使用。
>>> re.finditer(r'\d', '12+(34*6+2-5*(2-1))')
<callable_iterator at 0x283dbd4bdf0>
从字符串起始位置开始匹配
>>> re.match(r'h', 'hello')
<re.Match object; span=(0, 1), match='h'>
>>> re.match(r'e', 'hello') # None
分割字符串
>>> re.split('ab', 'abcd')
['', 'cd']
用括号将分割的标志包裹起来，可以保留分割的内容：
>>> re.split('(ab)', 'abcd')
['', 'ab', 'cd']
替换字符串
>>> re.sub('[a-z]', '-', 'a123b')
'-123-'
指定最大的替换次数：
>>> re.sub('[a-z]', '-', 'a123b', 1)
'-123b'
同时获取替换的次数
>>> re.subn('[a-z]', '-', 'a123b')
('-123-', 2)
替换时引用前面匹配到的内容
使用命名组：
>>> re.sub('(?P<w>[a-z])', '\g<w>-', 'a123b') # 将 'a' 替换为 'a-', 'b' 替换为 'b-'
'a-123b-'
不使用命名组：
>>> re.sub('([a-z])', '\g<1>-', 'a123b')
'a-123b-'
预编译规则
预编译可以避免每次调用时的编译性能消耗，虽然 re 库也会在内部做缓存，但缓存的数量是有限的，这会导致所传入的表达式不总是能走缓存，使用预编译可以保证只编译一次。
>>> comp = re.compile(r'\d+')
>>> comp.findall('nasa1') # 编译后的对象可以调用 search, findall 等匹配方法
['1']
3. 常用技巧
多行文本匹配时，匹配每一行的内容
>>> text = """
... this is
... a
... multiple
... line
... text
... .
... """
>>> re.findall('^[al]', text, re.M) # 匹配以字母 a, l 开始的行首字母
['a', 'l']
使用多个 flags
如果要同时忽略大小写，以及多行模式匹配，可以使用 | 将多个 flag 拼接起来
>>> text = """
... this is
... A
... multiple
... Line
... text
... .
... """
>>> re.findall('^[al]', text, flags=re.M | re.I)
['A', 'L']
匹配中文
>>> re.findall(r'[\u4e00-\u9fa5]', '你好，我是 john')
['你', '好', '我', '是']
或使用双字节字符匹配（可以包含中文标点符号）：
>>> re.findall(r'[^\x00-\xff]', '你好，我是 john')
['你', '好', '，', '我', '是']
匹配不包含某个字符串的的内容
>>> re.findall(r'\b((?!abc)\w+)', 'abcdefg123')
[]
>>> re.findall(r'\b((?!abc)\w+)', 'abdefg123')
['abdefg123']
对上述表达式的解释：
\b匹配单词的开始或结束?!<exp>零宽负向先行断言，只会匹配后缀<exp>不存在的位置\w匹配字母或数字或下划线或汉字+重复一次或更多次\b((?!abc)\w)+匹配由字母或数字或下划线或汉字组成的字串，但字串中不能出现abc
匹配多个连串的字符（去掉分组优先级）
比如，想匹配以 abc 或 123 开始的内容，但是又不想把 abc 或 123 作为一个分组，可以使用 ?: 去掉分组优先级：
>>> re.findall(r'(?P<wgroup>(?:123|abc)\.)', 'abc. efg. 123.')
['abc.', '123.']
其中 (?:123|abc) 使用了分组的语法，但不会被视为一个分组。
4. 其它实例
匹配可有可无的字符
如 http/https 中的 s
>>> pat = re.compile(r'((?:http|https)://.*?/)')
>>> pat.findall('http://www.zhparks.com/upload/')
['http://www.zhparks.com/']
>>> pat.findall('https://www.zhparks.com/upload/')
['https://www.zhparks.com/']
或使用 * 号：
>>> pat = re.compile(r'(https*://.*?/)')
>>> pat.findall('https://www.zhparks.com/upload/')
['https://www.zhparks.com/']
>>> pat.findall('http://www.zhparks.com/upload/')
['http://www.zhparks.com/']
