Python3正则表达式_re模块_教程详解_笔记_完整内容

正则表达式，用于在一大堆数据中查找信息，学习后有利于爬虫信息抓取。

创新互联是网站建设技术企业，为成都企业提供专业的网站设计制作、成都网站建设，网站设计，网站制作，网站改版等技术服务。拥有10多年丰富建站经验和众多成功案例，为您定制适合企业的网站。10多年品质，值得信赖！

“. ^ $ * + ? { } [ ] \ | ( )”是元字符（关键字），如要匹配原字符则需加“\”，如“\[”“\\”。为避免与转义符（\n、\b）冲突，可在字符串前加r，即 r"" 或 r'' 。

字符：
“\d”表示数字
“\D”表示非数字的字符
“\s”表示空白字符，相当于[ \t\n\r\f\v]
“\S”相当于[^ \t\n\r\f\v]
“\w”表示数字或字母
“\W”表示非数字和字母的字符
“.”表示除换行符'\n'外的所有字符，DOTALL模式下可匹配任何字符（包括'\n'）
“[]”整体为一个字符，其中的内容表示"或者"关系，同时元字符全部失效。如：[12]表示'1'或'2'，[a-z]表示小写字母（包括扩展拉丁字母如 'é'），[A-Za-z]表示所有字母，而[^a]表示除'a'以外的所有字符，[a^]表示'a'或'^'。由于元字符失效，从而可以 '[\n]' 的方式表示回车符等转义符，但复杂情况下仍推荐使用 r""。

以下字符都不代表实际字符，即所谓零宽度，称为断言：
“^”指示行的开头，不代表实际字符，如MULTILINE模式下以“^a”去匹配“b\nab”则span=(2, 3)。若不是MULTILINE，则仅指示字符串开头。
“$”指示行的末尾。同样需要MULTILINE
“\A”指示字符串的开头
“\Z”指示字符串的末尾
“\b”指示词边界，即每个单词的开头和结尾，单词结构中可包括数字和字母，其他字符如空格逗号可以将其分割为一个个单词。可以指示字符串开头。可能与退格符'\b'冲突，加r或使用'\\b'。
“|”表示或者，优先级比普通字符还低，如“phone|tele”表示"phone"或"tele"
而“()”可控制“|”的范围，如“the (phone|tele)”

重复：
“*”表示前一个字符重复0~+inf次
“+”表示前一个字符重复1~+inf次
“?”表示前一个字符重复0或1次，可有可无
“{m}”表示前一个字符重复m次
“{a,b}”表示前一个字符重复a~b次，同时“{,b}”表示0~b，“{a,}”表示a~+inf次。注意大括号中不可包含空格，如“{a, b}”是错误的，应为“{a,b}”。

以上符号默认均为贪婪模式，即匹配尽可能多的字符。如果需匹配尽可能少的字符，可在其后加上“?”符号，如“a*?”为非贪婪模式。

“()”可使重复符号作用于其括住的全部字符上，如“(br)*”指'br'重复0~+inf次

【re模块】
基本方法：
“p = re.compile(r'ab*')”编译一个匹配器（正则），r'ab*'为匹配规则的表达式（模式）

“m = p.match('abbcabd')”在'abbcabd'中从第一个字符开始匹配，结果保存在match对象中并返回
“m = p.search('abbcabd')”在'abbcabd'中不断向后查找，只返回第一个最先匹配到的内容
“listAll = p.findall('abbcabd')”在'abbcabd'中不断向后查找所有能匹配的内容，并将其以列表的方式返回
“iterAll = p.finditer('abbcabd')”上一种方式的迭代器版本，迭代时才查找并返回内容

“s = m.group()”或“s = m.group(0)”获得匹配的内容
“s = m.start()”获得匹配内容在字符串中的起始索引值，指向匹配内容的第一个字符
“s = m.end()”获得匹配内容在字符串中的终止索引值，指向匹配内容最后一个字符的后一个字符
“s = m.span()”获得匹配内容在字符串中的范围，元组方式返回，范围为左包含而右不包含的
“print(m)”输出匹配的范围和内容

分组：
在正则表达式中把需要的信息用小括号“()”括起来，即可获得它们，称为分组。如：
“p = re.compile(r'\w(\w)(\w+)')”
“m = p.match('This is Python')”
之后“m.group(1)”可返回第一个分组的内容，即'h'
“m.group(2)”可返回第二个分组的内容，即'is'
以此类推
而“m.group()”或“m.group(0)”依然返回匹配到的所有内容，即 'This'
“m.groups()”可将所有分组内容以元组的方式返回，即('h', 'is')

分组编号从左到右，由内而外。如以r'\w((\w)\w+)'匹配'This is Python'则第一个分组内容为 'his'，第二个为 'h'，groups()得 ('his', 'h')。
“\1”可指代前面第一个分组匹配到的内容，表示“\1”这里必须要再次出现此内容，可用于检测双字（叠词）。如：

p = re.compile(r'\b(\w+)\s+\1\b')
print(p.search('Paris in the the spring').group())