python之正则表达式教程(初级)

本文对我们常用的正则表达式语法进行总结，并根据实例来讲解，希望大家能够有所收获。

一、纯字符串匹配

这一类是最简单的，也是字符串操作可以代替的，但是我们还是以这种匹配开始我们的教程，介绍正则的基本思想。

import restr = "hello,everyone,I am HelloHaibo,thank u for watching my blog"pattern = re.compile(r'Haibo')content = re.findall(pattern,str)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['Haibo']

说明在str中找到了我们需要的纯字符串，如果我把pattern = re.compile(r'Haibo')换成pattern = re.compile(r'haibo')，则会提示没有找到元素，说明匹配的内容与你事先定义的是要完全匹配的，区分大小写。

其实上述做法并没有太大意义(对于纯字符串正则匹配来说)，普通的字符串操作即可满足要求，并且可能更有效的解决问题。但是正则表达式的灵活性却是字符串操作不可比拟的，下面的几种匹配是我们常用的。

二、单字符匹配

其实我们大多数时候并不知道我们匹配的字符具体是什么，我们只知道他们是属于那一类，像它属于数字啊，小写字母啊，特殊字符啊这样的，这样就需要我们正则表达式出马。我们来先看看单字符匹配

第一种 : . 单一个点，匹配任何一个字符，但是除了\n（换行符）

import restr = "hello,everyone,I am HelloHaibo,thank u for watching my blog"pattern = re.compile(r'.ello')content = re.findall(pattern,str)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['hello', 'Hello']

说明.把H和h都匹配到了，其实就算再字符串里存在这样的，fello、dello、8ello这样字符串，他也是能查找到的。但是一个.只匹配一个任意字符,想匹配多个任意字符就要写多个.

第二种:\d \D,其中\d匹配单一个纯数字，\D匹配一个除了数字之外的字符，两个集合刚好互为补集。

import restr2 = "1 + 2 = 3,yeah"pattern = re.compile(r'\d')content = re.findall(pattern,str2)print content

输出:

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['1', '2', '3']

可见\d把数字都匹配出来了，让我们再用\D匹配一下：

import restr2 = "1 + 2 = 3,yeah"pattern = re.compile(r'\D')content = re.findall(pattern,str2)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py[' ', '+', ' ', ' ', '=', ' ', ',', 'y', 'e', 'a', 'h']

可见，\D把除了数字以外的全部都匹配了。

第三种: \w \W，其中\w匹配英文单词字符a-z A-Z 0-9，\W反之.

import restr2 = "1 + 2 = 3,Yeah"pattern = re.compile(r'\w')content = re.findall(pattern,str2)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['1', '2', '3', 'Y', 'e', 'a', 'h']

\w把字符串里的数字，小写字母，大写字母都匹配出来了

import restr2 = "1 + 2 = 3,yeah"pattern = re.compile(r'\W')content = re.findall(pattern,str2)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py[' ', '+', ' ', ' ', '=', ' ', ',']

\W把除了数字，小写字母，大写字母以外的都匹配出来了。


三、字符集合匹配

第一种: []方括号，代表字符集合

第二种: -连字符，标识一个范围（对应ASCII表）0-4，表示匹配，0 1 2 3 4，它需要跟[ ]配套使用.

import restr2 = "1 + 2 = 3,yeah"pattern = re.compile(r'[0-4]')content = re.findall(pattern,str2)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['1', '2', '3']

import restr2 = "1 + 2 = 3,yeah"pattern = re.compile(r'[a-z]')content = re.findall(pattern,str2)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['y', 'e', 'a', 'h']

现象大家可以自行观察

第三种: * ? +这三个字符用的几率非常大，首先说一下

* 匹配前一个字符零次或者无限次

import restr1 = "http https httpes httpsss"pattern = re.compile(r'https*')content = re.findall(pattern,str1)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['http', 'https', 'http', 'httpsss']

可以看出，http后面跟零个或者更多个s的都被匹配出来了

+ 表示匹配前面的字符一次或者无限次

下面将*换成+，大家看看会匹配到什么

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['https', 'httpsss']

可以看出http没有被匹配上，因为s至少要匹配一次

？ 表示匹配前一个字符零次或者一次

import restr1 = "http https httpsss"#str2 = "1 + 2 = 3,yeah"pattern = re.compile(r'https?')content = re.findall(pattern,str1)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['http', 'https', 'https']

可见，httpsss中的https也被匹配到了，这是我们不想遇到的，所以我们有时候需要规定匹配的次数，而并不是让算法自己无休止的匹配下去

第四种: {m,n}匹配前一个字符m-n次，即m-n中的任意次数都行，包括m和n,将上述代码稍加修改：

import restr1 = "http https httpsss"#str2 = "1 + 2 = 3,yeah"pattern = re.compile(r'https{0,1}')content = re.findall(pattern,str1)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['http', 'https']

这样匹配的就是https或者http啦，当然{}里面也可以只有一个数字，那表示匹配前一个字符固定次数。


第五种：以上各种规则可以自由组合，形成功能强大的正则表达式

实例1：

import restr1 = "hello,everyone,I am HelloHaibo,thank u for watching my blog"pattern = re.compile(r'[Hh]ello')content = re.findall(pattern,str1)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['hello', 'Hello']

这个规则只匹配Hello或者hello，[ ] 虽然表示一个集合，但是也是匹配单个字符的。

实例2：找出标签中的网址

import restr1 = "<h1>www.baidu.com</h1><h2>www.imooc.com</h2><span>tttt</span>"pattern = re.compile(r'<h[\d]>www\.[a-zA-Z]+\.com</h[\d]>')content = re.findall(pattern,str1)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['<h1>www.baidu.com</h1>', '<h2>www.imooc.com</h2>']

我们来分析一下：外围的<h[\d]>和</h[\d]>表示匹配<h1></h1>或者h2、h3、h4这样的标签；www\.表示匹配www.那为什么要加一个\呢，因为.在正则表达式中已经有特殊意义了，如果你直接写www.他会匹配www后面跟一个任意字符，所以我们需要一个转义符号，来说明我们就想匹配.本身；[a-zA-Z]+要匹配a-zA-Z这些字符一次或者任意次；\.com表示匹配.com这个字符串，当然实际中要考虑网址的多样性，后缀的多样性等等

四、断言匹配

准确说这个里面的核心思想是判断

(?<=...)和(?=...)两个分别称为后向匹配和前向匹配，它们判断是否成立，但是不参与匹配输出，我们可以把上述实例2修改：

import restr1 = "<h1>www.baidu.com</h1><h2>www.imooc.com</h2><span>tttt</span>"pattern = re.compile(r'(?<=<h[\d]>)www\.[\w]+\.com(?=</h[\d]>)')content = re.findall(pattern,str1)print content

输出：

C:\Python27\python.exe E:/Projects/pytext/博客临时测试/test.py['www.baidu.com', 'www.imooc.com']

可以看到我把实例2中的<h[\d]>和</h[\d]>修改为(?<=<h[\d]>)和(?=</h[\d]>)，说明我要判断我要匹配的字符串开头是不是以<h1>、<h2>、<h3>....这样的标签开头，以</h1>、</h2>、</h3>...这样的标签结束，但是输出结果可以看出，并没有标签本身，只是把标签中间的内容输出，这在我们分析网页内容时候至关重要。

最后在啰嗦一下，我们的日常使用基本就是上述规则的组合，同一种匹配结果可以有很多种方法，很难说谁的匹配时对的，谁的是错的，只能说效率高低，或者构造的pattern的简洁度的高低。另外推荐一本书《正则表达式必知必会（修正版）》写的很不错CSDN资源可以搜索到，内容也不多，一天就可以读完，建议想全面了解正则表达式的同学可以看一看。

OK，上述内容基本可以满足你的日常使用，当然正则表达式还是有一些高级的语法，但是都不常用，可以在需要的时候去查阅，希望大家读完这篇文章可以有多收获，谢谢大家。