一、正則表達式
我們在處理文本等工作時經常會用到正則表達式（regular expression），正則表達式不是一個程序，而是用於處理字符串的一種模式，當我們想用它來匹配字符串，就必須使用支持正則表達式的工具，比如 Linux 中的 awk, sed, grep，或者編程語言 Perl, Python, Java 等。下圖爲部分元字符說明
二、re 模塊
在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。有一點需要特別注意的是，正則表達式使用 \ 對特殊字符進行轉義，比如，爲了匹配字符串 ‘python.org’，我們需要使用正則表達式 'python\.org'，而 Python 的字符串本身也用 \ 轉義，所以上面的正則表達式在 Python 中應該寫成 'python\\.org'，這會很容易陷入 \ 的困擾中，解決這個問題的一個方法是使用 Python 的原始字符串，即只需加一個 r 前綴，那麼上面的正則表達式可以寫成：r'python\.org'。
re 模塊提供了不少有用的函數，用以匹配字符串，比如：
①compile 函數
②match 函數
③search 函數
④findall 函數
⑤finditer 函數
⑥split 函數
⑦sub 函數
⑧subn 函數
re 模塊的一般使用步驟如下：
①使用 compile 函數將正則表達式的字符串形式編譯爲一個 Pattern 對象；
②通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果（一個 Match 對象）；
③最後使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作。
三、具體操作
3.1 compile 函數
compile 函數用於編譯正則表達式，生成一個 Pattern 對象，一般使用形式爲：re.compile(pattern[, flag])，其中，pattern 是一個字符串形式的正則表達式，flag 是一個可選參數，表示匹配模式，比如忽略大小寫，多行模式等。下面是一個具體例子：
>>>import re
>>>pattern = re.compile(r'\d+') # 將正則表達式編譯成 Pattern對象
我們上面已將一個正則表達式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。Pattern 對象的一些常用方法主要有：
①match 方法
②search 方法
③findall 方法
④finditer 方法
⑤split 方法
⑥sub 方法
⑦subn 方法
⑧match 方法
3.2 match 方法
match 方法用於查找字符串的頭部（也可以指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。它的一般使用形式如：match(string[, pos[, endpos]])
其中，string 是待匹配的字符串，pos和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。因此，當你不指定 pos 和 endpos 時，match方法默認匹配字符串的頭部。當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。如：
>>> import re
>>> pattern =re.compile(r'\d+') # 用於匹配至少一個數字
>>> m = pattern.match('one12twothree34four') # 查找頭部，沒有匹配
>>> print m
None
>>> m =pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配，沒有匹配
>>> print m
None
>>> m =pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開始匹配，正好匹配
>>> print m # 返回一個 Match 對象
<_sre.SRE_Match object at0x10a42aac0>
>>> m.group(0) # 可省略 0
'12'
>>> m.start(0) # 可省略 0
3
>>> m.end(0) # 可省略 0
5
>>> m.span(0) # 可省略 0
(3, 5)在上面，當匹配成功時返回一個 Match 對象，其中：
①group([group1, …]) 方法用於獲得一個或多個分組匹配的字符串，當要獲得整個匹配的子串時，可直接使用 group() 或 group(0)；
②start([group]) 方法用於獲取分組匹配的子串在整個字符串中的起始位置（子串第一個字符的索引），參數默認值爲 0；
③end([group]) 方法用於獲取分組匹配的子串在整個字符串中的結束位置（子串最後一個字符的索引+1），參數默認值爲 0；
④span([group]) 方法返回(start(group), end(group))。
如下具體例子：
>>> import re
>>> pattern =re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小寫
>>> m = pattern.match('Hello WorldWide Web')
>>> print m # 匹配成功，返回一個 Match 對象
<_sre.SRE_Match object at0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整個子串
'Hello World'
>>> m.span(0) # 返回匹配成功的整個子串的索引
(0, 11)
>>> m.group(1) # 返回第一個分組匹配成功的子串
'Hello'
>>> m.span(1) # 返回第一個分組匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二個分組匹配成功的子串
'World'
>>> m.span(2) # 返回第二個分組匹配成功的子串
(6, 11)
>>> m.groups() # 等價於 (m.group(1), m.group(2), ...)
('Hello', 'World')
>>> m.group(3) # 不存在第三個分組
Traceback (most recent call last):
File "<stdin>", line 1, in <module> IndexError: nosuch group3.3 search 方法
search 方法用於查找字符串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，它的一般使用形式如下：search(string[, pos[, endpos]])，其中，string 是待匹配的字符串，pos和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。如下具體例子：
>>> import re
>>> pattern = re.compile('\d+')
>>> m =pattern.search('one12twothree34four') # 這裏如果使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at0x10cc03ac0>
>>> m.group()
'12'
>>> m =pattern.search('one12twothree34four', 10, 30) # 指定字符串區間
>>> m
<_sre.SRE_Match object at0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)3.4 findall 方法
上面的 match 和 search 方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，我們需要搜索整個字符串，獲得所有匹配的結果。
findall 方法的使用形式如：findall(string[, pos[, endpos]])，其中，string 是待匹配的字符串，pos和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個空列表。
看看例子：
>>>import re
>>>pattern = re.compile(r'\d+') # 查找數字
>>>result1 = pattern.findall('hello 123456789')
>>>result2 =pattern.findall('one1two2three3four4', 0, 10)
>>>print result1,result2
執行結果：
['123456', '789']，['1', '2']3.5 finditer 方法
finditer 方法的行爲跟findall 的行爲類似，也是搜索整個字符串，獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果（Match對象）的迭代器。如下例子：
# -*- coding: utf-8 -*-
import re
pattern = re.compile(r'\d+')
result_iter1 = pattern.finditer('hello123456 789')
result_iter2 = pattern.finditer('one1two2three3four4',0, 10)
print type(result_iter1)
print type(result_iter2)
print 'result1...'
for m1 in result_iter1: # m1 是 Match 對象
print 'matching string: {}, position: {}'.format(m1.group(), m1.span())
print 'result2...'
for m2 in result_iter2:
print 'matching string: {}, position: {}'.format(m2.group(), m2.span())
執行結果：
<type 'callable-iterator'>
<type 'callable-iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)3.6 split 方法
split 方法按照能夠匹配的子串將字符串分割後返回列表，它的使用形式如下：split(string[, maxsplit])，其中，maxsplit 用於指定最大分割次數，不指定將全部分割。如下具體例子：
>>>import re
>>>p = re.compile(r'[\s\,\;]+')
>>>print p.split('a,b;; c d')
執行結果：['a', 'b', 'c', 'd']3.7 sub 方法
sub 方法用於替換。它的使用形式如下：sub(repl, string[, count])，其中，repl 可以是字符串也可以是一個函數，如果 repl 是字符串，則會使用repl 去替換字符串每一個匹配的子串，並返回替換後的字符串，另外，repl 還可以使用 \id 的形式來引用分組，但不能使用編號 0；如果 repl 是函數，這個方法應當只接受一個參數（Match 對象），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。count 用於指定最多替換次數，不指定時全部替換。如下具體例子：
import re
p = re.compile(r'(\w+) (\w+)')
s = 'hello 123, hello 456'
def func(m):
return 'hi' + ' ' + m.group(2)
print p.sub(r'hello world', s) # 使用 'hello world' 替換 'hello 123' 和 'hello 456'
print p.sub(r'\2 \1', s) # 引用分組
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替換一次
執行結果：
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 4563.8 subn 方法
subn 方法跟 sub 方法的行爲類似，也用於替換。它的使用形式爲：subn(repl, string[, count])；它返回一個元組：(sub(repl, string[, count]), 替換次數)，元組有兩個元素，第一個元素是使用 sub 方法的結果，第二個元素返回原字符串被替換的次數。如下例子：
import re
p = re.compile(r'(\w+) (\w+)')
s = 'hello 123, hello 456'
def func(m):
return 'hi' + ' ' + m.group(2)
print p.subn(r'hello world', s)
print p.subn(r'\2 \1', s)
print p.subn(func, s)
print p.subn(func, s, 1)
執行結果：
('hello world, hello world', 2)
('123 hello, 456 hello', 2)
('hi 123, hi 456', 2)
('hi 123, hello 456', 1)3.9 其他
事實上，使用 compile 函數生成的 Pattern 對象的一系列方法跟 re 模塊的多數函數是對應的，但在使用上有細微差別。
①match 函數
match 函數的使用形式如下：re.match(pattern, string[, flags])，其中，pattern 是正則表達式的字符串形式，比如 \d+, [a-z]+。
而 Pattern 對象的 match方法使用形式是：match(string[, pos[, endpos]])。
可以看到，match 函數不能指定字符串的區間，它只能搜索頭部，如下例子：
import re
m1 = re.match(r'\d+','One12twothree34four')
if m1:
print 'matching string:',m1.group()
else:
print 'm1 is:',m1
m2 = re.match(r'\d+', '12twothree34four')
if m2:
print 'matching string:', m2.group()
else:
print 'm2 is:',m2
執行結果：
m1 is: None
matching string: 12②search 函數
search 函數的使用形式如下：re.search(pattern, string[, flags])。
search 函數不能指定字符串的搜索區間，用法跟 Pattern 對象的 search 方法類似。
③findall 函數
findall 函數的使用形式如下：re.findall(pattern, string[, flags])
findall 函數不能指定字符串的搜索區間，用法跟 Pattern 對象的 findall 方法類似。如下例子：
import re
print re.findall(r'\d+', 'hello 12345 789')
# 輸出
['12345', '789']④finditer 函數
finditer 函數的使用方法跟Pattern 的 finditer 方法類似，形式如下：re.finditer(pattern, string[, flags])。
⑤split 函數
split 函數的使用形式如下：re.split(pattern, string[, maxsplit])。
⑥sub 函數
sub 函數的使用形式如下：re.sub(pattern, repl, string[, count])。
⑦subn 函數
subn 函數的使用形式如下：re.subn(pattern, repl, string[, count])。
3.10 使用哪種方式？
從上文可以看到，使用 re 模塊有兩種方式：
①使用 re.compile 函數生成一個 Pattern 對象，然後使用 Pattern 對象的一系列方法對文本進行匹配查找；
②直接使用 re.match, re.search 和 re.findall 等函數直接對文本匹配查找；
下面，我們用一個例子展示這兩種方法。
①
import re
# 將正則表達式先編譯成Pattern 對象
pattern = re.compile(r'\d+')
print pattern.match('123, 123')
print pattern.search('234, 234')
print pattern.findall('345, 345')
②
import re
print re.match(r'\d+', '123, 123')
print re.search(r'\d+', '234, 234')
print re.findall(r'\d+', '345, 345')如果一個正則表達式需要用到多次（比如上面的 \d+），在多種場合經常需要被用到，出於效率的考慮，我們應該預先編譯該正則表達式，生成一個 Pattern 對象，再使用該對象的一系列方法對需要匹配的文件進行匹配；而如果直接使用re.match,re.search 等函數，每次傳入一個正則表達式，它都會被編譯一次，效率就會大打折扣。因此，我們推薦使用第1 種用法。
匹配中文，在某些情況下，我們想匹配文本中的漢字，有一點需要注意的是，中文的 unicode 編碼範圍主要在 [\u4e00-\u9fa5]，這裏說主要是因爲這個範圍並不完整，比如沒有包括全角（中文）標點，不過，在大部分情況下，應該是夠用的。
假設現在想把字符串 title = u'你好，hello，世界' 中的中文提取出來，可以這麼做：
# -*- coding: utf-8 -*-
import re
title = u'你好，hello，世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print result
注意到，我們在正則表達式前面加上了兩個前綴 ur，其中 r 表示使用原始字符串，u 表示是unicode 字符串。
執行結果:
[u'\u4f60\u597d', u'\u4e16\u754c']貪婪匹配，在 Python 中，正則匹配默認是貪婪匹配（在少數語言中可能是非貪婪），也就是匹配儘可能多的字符。比如，我們想找出字符串中的所有 div 塊：
import re
content ='aa<div>test1</div>bb<div>test2</div>cc'
pattern =re.compile(r'<div>.*</div>')
result = pattern.findall(content)
print result
執行結果：
['<div>test1</div>bb<div>test2</div>']import re
content ='aa<div>test1</div>bb<div>test2</div>cc'
pattern =re.compile(r'<div>.*?</div>')
result = pattern.findall(content)
print result
結果：
['<div>test1</div>','<div>test2</div>']四、小結
re 模塊的一般使用步驟如下：
①使用 compile 函數將正則表達式的字符串形式編譯爲一個 Pattern 對象；
②通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果（一個 Match對象）；
③最後使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作；
最後需要注意的是Python 的正則匹配默認是貪婪匹配。
