python 正则表达式 模式匹配与正则表达式 二
建立自己的字符分类
有时候你想匹配一组字符， 但缩写的字符分类（\d、 \w、 \s 等） 太宽泛。你可以用方括号定义自己的字符分类。例如， 字符分类[aeiouAEIOU]将匹配所有元音字符， 不论大小写。
>>> vowelRegex = re.compile(r'[aeiouAEIOU]')
>>> vowelRegex.findall('RoboCop eats baby food. BABY FOOD.')
['o', 'o', 'o', 'e', 'a', 'a', 'o', 'o', 'A', 'O', 'O']
也可以使用短横表示字母或数字的范围。例如， 字符分类[a-zA-Z0-9]将匹配所有小写字母、 大写字母和数字。
请注意，在方括号内，普通的正则表达式符号不会被解释。这意味着，你不需要前面加上倒斜杠转义.、 *、 ?或()字符。例如，字符分类将匹配数字 0 到 5 和一个句点。你不需要将它写成[0-5.]。
==过在字符分类的左方括号后加上一个插入字符（^）， 就可以得到“非字符类”。非字符类将匹配不在这个字符类中的所有字符。==
>>> consonantRegex = re.compile(r'[^aeiouAEIOU]')
>>> consonantRegex.findall('RoboCop eats baby food. BABY FOOD.')
['R', 'b', 'c', 'p', ' ', 't', 's', ' ', 'b', 'b', 'y', ' ', 'f', 'd', '.', '
', 'B', 'B', 'Y', ' ', 'F', 'D', '.']
插入字符和美元字符
可以在正则表达式的开始处使用插入符号（^），表明匹配必须发生在被查找文本开始处。类似地，可以再正则表达式的末尾加上美元符号（$），表示该字符串必须以这个正则表达式的模式结束。可以同时使用^和$，表明整个字符串必须匹配该模式，也就是说，只匹配该字符串的某个子集是不够的。 例如， ==正则表达式 r'^Hello'匹配以'Hello'开始的字符串==。
>>> beginsWithHello = re.compile(r'^Hello')
>>> beginsWithHello.search('Hello world!')
<_sre.SRE_Match object; span=(0, 5), match='Hello'>
>>> beginsWithHello.search('He said hello.') == None
True
==正则表达式 r'\d$'匹配以数字 0 到 9 结束的字符串。==
>>> endsWithNumber = re.compile(r'\d$')
>>> endsWithNumber.search('Your number is 42')
<_sre.SRE_Match object; span=(16, 17), match='2'>
>>> endsWithNumber.search('Your number is forty two.') == None
True
==正则表达式 r'^\d+$'匹配从开始到结束都是数字的字符串。 ==
>>> wholeStringIsNum = re.compile(r'^\d+$')
>>> wholeStringIsNum.search('1234567890')
<_sre.SRE_Match object; span=(0, 10), match='1234567890'>
>>> wholeStringIsNum.search('12345xyz67890') == None
True
>>> wholeStringIsNum.search('12 34567890') == None
True
通配字符
在正则表达式中， .（句点）字符称为“通配符”。它匹配除了换行之外的所有字符。
>>> atRegex = re.compile(r'.at')
>>> atRegex.findall('The cat in the hat sat on the flat mat.')
['cat', 'hat', 'sat', 'lat', 'mat']
要记住，句点字符只匹配一个字符， 这就是为什么在前面的例子中， 对于文本flat， 只匹配 lat。要匹配真正的句点， 就是用倒斜杠转义： .。
贪婪模式和非贪婪模式
有时候想要匹配所有字符串。例如，假定想要匹配字符串'First Name:'，接下来是任意文本，接下来是'Last Name:'，然后又是任意文本。可以用点-星（ .*）表示“任意文本”。回忆一下，句点字符表示“除换行外所有单个字符”，星号字符表示“前面字符出现零次或多次”。
>>> nameRegex = re.compile(r'First Name: (.*) Last Name: (.*)')
>>> mo = nameRegex.search('First Name: Al Last Name: Sweigart')
>>> mo.group(1)
'Al'
>>> mo.group(2)
'Sweigart'
.*点-星使用“贪心” 模式：它总是匹配尽可能多的文本。要用“非贪心” 模式匹配所有文本， 就使用.*?点-星和问号。像和大括号一起使用时那样， 问号告诉 Python 用非贪心模式匹配。
>>> nongreedyRegex = re.compile(r'<.*?>')
>>> mo = nongreedyRegex.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man>'
>>> greedyRegex = re.compile(r'<.*>')
>>> mo = greedyRegex.search('<To serve man> for dinner.>')
>>> mo.group()
'<To serve man> for dinner.>'
两个正则表达式都可以翻译成“匹配一个左尖括号，接下来是任意字符，接下来是一个右尖括号”。但是字符串'
用句点字符匹配换行
==点-星将匹配除换行外的所有字符==。通过传入re.DOTALL 作为 re.compile()的第二个参数， 可以让句点字符匹配所有字符， 包括换行字符。
>>> noNewlineRegex = re.compile('.*')
>>> noNewlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.'
>>> newlineRegex = re.compile('.*', re.DOTALL)
>>> newlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.\nProtect the innocent.\nUphold the law.'
正则表达式符号复习
- ?匹配零次或一次前面的分组。
- *匹配零次或多次前面的分组。
- +匹配一次或多次前面的分组。
- {n}匹配 n 次前面的分组。
- {n,}匹配 n 次或更多前面的分组。
- {,m}匹配零次到 m 次前面的分组。
- {n,m}匹配至少 n 次、至多 m 次前面的分组。
- {n,m}?或*?或+?对前面的分组进行非贪心匹配。
- ^spam 意味着字符串必须以 spam 开始。
- spam$意味着字符串必须以 spam 结束。
- .匹配所有字符，换行符除外。
- \ 在字符串中表示转义字符
- \d、 \w 和\s 分别匹配数字、单词和空格。
- \D、 \W 和\S 分别匹配出数字、单词和空格外的所有字符。
- [abc]匹配方括号内的任意一个字符（诸如 a、 b 或 c）。==字符集中没有特殊符号==
- [a-z]匹配a到z中的任意一个字符
- abc匹配不在方括号内的任意字符。
不区分大小写的匹配
通常， 正则表达式用你指定的大小写匹配文本。例如， 下面的正则表达式匹配完全不同的字符串：
>>> regex1 = re.compile('RoboCop')
>>> regex2 = re.compile('ROBOCOP')
>>> regex3 = re.compile('robOcop')
>>> regex4 = re.compile('RobocOp')
但是，有时候你只关心匹配字母，不关心它们是大写或小写。要让正则表达式不区分大小写，可以向 re.compile()传入re.IGNORECASE 或 re.I，作为第二个参数。
>>> robocop = re.compile(r'robocop', re.I)
>>> robocop.search('RoboCop is part man, part machine, all cop.').group()
'RoboCop'
>>> robocop.search('ROBOCOP protects the innocent.').group()
'ROBOCOP'
>>> robocop.search('Al, why does your programming book talk about robocop so much?').group()
'robocop'
用 sub()方法替换字符串
正则表达式不仅能找到文本模式， 而且能够用新的文本替换掉这些模式。 Regex对象的 sub()方法需要传入两个参数。==第一个参数是一个字符串， 用于取代发现的匹配==。==第二个参数是一个字符串，即正则表达式==。 sub()方法返回替换完成后的字符串。
>>> namesRegex = re.compile(r'Agent \w+')
>>> namesRegex.sub('CENSORED', 'Agent Alice gave the secret documents to Agent Bob.')
'CENSORED gave the secret documents to CENSORED.'
有时候，你可能需要使用匹配的文本本身，作为替换的一部分。在 sub()的第一个参数中，可以输入\1、 \2、 \3……。表示“在替换中输入分组 1、 2、 3……的文本”。例如，假定想要隐去密探的姓名，只显示他们姓名的第一个字母。要做到这一点，可以使用正则表达式 Agent (\w)\w，传入 r'\1*'作为 sub()的第一个参数。字符串中的\1 将由分组 1 匹配的文本所替代，也就是正则表达式的(\w)分组。
>>> agentNamesRegex = re.compile(r'Agent (\w)\w*')
>>> agentNamesRegex.sub(r'\1****', 'Agent Alice told Agent Carol that Agent
Eve knew Agent Bob was a double agent.')
A**** told C**** that E**** knew B**** was a double agent.'
管理复杂的正则表达式
如果要匹配的文本模式很简单， 正则表达式就很好。但匹配复杂的文本模式，可能需要长的、费解的正则表达式。你可以告诉 re.compile()， ==忽略正则表达式字符串中的空白符和注释==， 从而缓解这一点。 要实现这种详细模式， 可以向 re.compile()传入变量re.VERBOSE， 作为第二个参数。
phoneRegex = re.compile(r'''(
(\d{3}|\(\d{3}\))? # area code
(\s|-|\.)? # se
\d{3} # first 3 digits
(\s|-|\.) # separator
\d{4} # last 4 digits
(\s*(ext|x|ext.)\s*\d{2,5})? # extension
)''', re.VERBOSE)
请注意， 前面的例子使用了==三重引号('")==， ==创建了一个多行字符串。这样就可以将正则表达式定义放在多行中， 让它更可读。==正则表达式字符串中的注释规则， 与普通的 Python 代码一样： #符号和它后面直到行末的内容， 都被忽略。而且， 表示正则表达式的多行字符串中， 多余的空白字符也不认为是要匹配的文本模式的一部分。这让你能够组织正则表达式， 让它更可读
组合使用 re.IGNORECASE、 re.DOTALL 和 re.VERBOSE
如果你希望在正则表达式中使用 re.VERBOSE 来编写注释，还希望使用re.IGNORECASE 来忽略大小写，该怎么办？遗憾的是， re.compile()函数只接受一个值作为它的第二参数。可以使用管道字符（|）将变量组合起来，从而绕过这个限制。管道字符在这里称为“按位或”操作符。 所以， 如果希望正则表达式不区分大小写， 并且句点字符匹配换行， 就可以这样构造 re.compile()调用：
>>> someRegexValue = re.compile('foo', re.IGNORECASE | re.DOTALL | re.VERBOSE)
re.I(re.IGNORECASE):忽略大小写（括号内是完整写法，下同）M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）S(DOTALL):点任意匹配模式，改变'.'的行为L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：
参考