python 正则表达式（二）

下面列举了Python3的所有符号用法，别背，千万别背，用到时来查就行。

字符	含义
.	表示匹配除了换行符外的任何字符注：通过设置 re.DOTALL 标志可以使 . 匹配任何字符（包含换行符）
\|	A \| B，表示匹配正则表达式 A 或者 B
^	1.（脱字符）匹配输入字符串的开始位置 2.如果设置了 re.MULTILINE 标志，^ 也匹配换行符之后的位置
$	1.匹配输入字符串的结束位置 2.如果设置了re.MULTILINE标志，$也匹配换行符之前的位置
\	1.将一个普通字符变成特殊字符，例如 \d 表示匹配所有十进制数字 2.解除元字符的特殊功能，例如 . 表示匹配点号本身 3.引用序号对应的子组所匹配的字符串 4.详见下方列举
[…]	字符类，匹配所包含的任意一个字符注1：连字符 - 如果出现在字符串中间表示字符范围描述；如果如果出现在首位则仅作为普通字符注2：特殊字符仅有反斜线 \ 保持特殊含义，用于转义字符。其它特殊字符如 *、+、? 等均作为普通字符匹配注3：脱字符 ^ 如果出现在首位则表示匹配不包含其中的任意字符；如果 ^ 出现在字符串中间就仅作为普通字符匹配
{M,N}	M 和 N 均为非负整数，其中 M <= N，表示前边的 RE 匹配 M ~ N 次注1：{M,} 表示至少匹配 M 次注2：{,N} 等价于 {0,N} 注3：{N} 表示需要匹配 N 次
*	匹配前面的子表达式零次或多次，等价于 {0,}
+	匹配前面的子表达式一次或多次，等价于 {1,}
?	匹配前面的子表达式零次或一次，等价于 {0,1}
*?, +?, ??	默认情况下、+ 和 ? 的匹配模式是贪婪模式（即会尽可能多地匹配符合规则的字符串）；?、+? 和 ?? 表示启用对应的非贪婪模式比如：对于字符串 “FishCCC”，正则表达式 FishC+ 会匹配整个字符串，而 FishC+? 则匹配 “FishC”
{M,N}?	同上，启用非贪婪模式，即只匹配 M 次
(…)	匹配圆括号中的正则表达式，或者指定一个子组的开始和结束位置注：子组的内容可以在匹配之后被 \数字再次引用比如：(\w+) \1 可以字符串 “FishC FishC.com” 中的 “FishC FishC”（注意有空格）
(?…)	(? 开头的表示为正则表达式的扩展语法（下边这些是 Python 支持的所有扩展语法）
(?aiLmsux)	1.(? 后可以紧跟着 ‘a’，’i’，’L’，’m’，’s’，’u’，’x’ 中的一个或多个字符，只能在正则表达式的开头使用 2.每一个字符对应一种匹配标志：re-A（只匹配 ASCII 字符），re-I（忽略大小写），re-L（区域设置），re-M（多行模式）, re-S（. 匹配任何符号），re-X（详细表达式），包含这些字符将会影响整个正则表达式的规则 3.当你不想通过 re.compile() 设置正则表达式标志，这种方法就非常有用啦注意，由于 (?x) 决定正则表达式如何被解析，所以它应该总是被放在最前边（最多允许前边有空白符）。如果 (?x) 的前边是非空白字符，那么 (?x) 就发挥不了作用了
(?:…)	非捕获组，即该子组匹配的字符串无法从后边获取
(?P…)	命名组，通过组的名字（name）即可访问到子组匹配的字符串
(?P=name)	反向引用一个命名组，它匹配指定命名组匹配的任何内容
(?#…)	注释，括号中的内容将被忽略
(?=…)	前向肯定断言。如果当前包含的正则表达式（这里以 … 表示）在当前位置成功匹配，则代表成功，否则失败。一旦该部分正则表达式被匹配引擎尝试过，就不会继续进行匹配了；剩下的模式在此断言开始的地方继续尝试比如:love(?=FishC) 只匹配后边紧跟着 “FishC” 的字符串 “love”
(?!…)	前向否定断言。这跟前向肯定断言相反（不匹配则表示成功，匹配表示失败）比如：FishC(?!.com) 只匹配后边不是 “.com” 的字符串 “FishC”
(?<=…)	后向肯定断言。跟前向肯定断言一样，只是方向相反比如：?<=love)FishC 只匹配前边紧跟着 “love” 的字符串 “FishC”
(?	后向否定断言。跟前向肯定断言一样，只是方向相反比如：(?<!FishC)\.com 只匹配前边不是 “FishC” 的字符串 “.com”
(?(id/name)yes-pattern\|no-pattern)	1.如果子组的序号或名字存在的话，则尝试 yes-pattern 匹配模式；否则尝试 no-pattern 匹配模式 2.no-pattern 是可选的比如：(<)?(\w+@\w+(?:\.\w+)+)(?(1)>\|$) 是一个匹配邮件格式的正则表达式，可以匹配 user@fishc.com 和 ‘user@fishc.com’，但是不会匹配user@fishc.com、user@fishc.com
\	下边列举了由字符 ‘\’ 和另一个字符组成的特殊含义。注意，’\’ + 元字符的组合可以解除元字符的特殊功能
\序号	1.引用序号对应的子组所匹配的字符串，子组的序号从 1 开始计算 2.如果序号是以 0 开头，或者 3 个数字的长度。那么不会被用于引用对应的子组，而是用于匹配八进制数字所表示的 ASCII 码值对应的字符比如：(.+) \1 会匹配 “FishC FishC” 或 “55 55”，但不会匹配 “FishCFishC”（注意，因为子组后边还有一个空格）
\A	匹配输入字符串的开始位置
\Z	匹配输入字符串的结束位置
\b	匹配一个单词边界，单词被定义为 Unidcode 的字母数字或下横线字符比如：\bFishC\b 会匹配字符串 “love FishC”、FishC.” 或 “(FishC)”
\B	匹配非单词边界，其实就是与 \b 相反比如：py\B 会匹配字符串 “python”、”py3” 或 “py2”，但不会匹配 “py “、”py.” 或 “py!”
\d	1.对于 Unicode（str 类型）模式：匹配任何一个数字，包括 [0-9] 和其他数字字符；如果开启了 re.ASCII 标志，就只匹配 [0-9] 2.对于 8 位（bytes 类型）模式：匹配 [0-9] 中任何一个数字
\D	匹配任何非 Unicode 的数字，其实就是与 \d 相反；如果开启了 re.ASCII 标志，则相当于匹配 [^0-9]
\s	1.对于 Unicode（str 类型）模式：匹配 Unicode 中的空白字符（包括 [ \t\n\r\f\v] 以及其他空白字符）；如果开启了 re.ASCII 标志，就只匹配 [\t\n\r\f\v] 2.对于 8 位（bytes 类型）模式：匹配 ASCII 中定义的空白字符，即 [ \t\n\r\f\v]
\S	匹配任何非 Unicode 中的空白字符，其实就是与 \s 相反；如果开启了 re.ASCII 标志，则相当于匹配 [^ \t\n\r\f\v]
\w	1.对于 Unicode（str 类型）模式：匹配任何 Unicode 的单词字符，基本上所有语言的字符都可以匹配，当然也包括数字和下横线；如果开启了 re.ASCII 标志，就只匹配 [a-zA-Z0-9_] 2.对于 8 位（bytes 类型）模式：匹配 ASCII 中定义的字母数字，即 [a-zA-Z0-9_]
\W	匹配任何非 Unicode 的单词字符，其实就是与 \w 相反；如果开启了 re.ASCII 标志，则相当于 [^a-zA-Z0-9_]
转义符号	正则表达式还支持大部分 Python 字符串的转义符号：\a，\b，\f，\n，\r，\t，\u，\U，\v，\x，\\ 注1：\b 通常用于匹配一个单词边界，只有在字符类中才表示“退格” 注2：\u 和 \U 只有在 Unicode 模式下才会被识别注3：八进制转义（\数字）是有限制的，如果第一个数字是 0，或者如果有 3 个八进制数字，那么就被认为是八进制数；其他情况则被认为是子组引用；至于字符串，八进制转义总是最多只能是 3 个数字的长度

1.1 (?iLmsux)（必须放在匹配字符串的开头）

用户可以直接在正则表达式里面指定一个或者多个标记，而不是通过compile()或者其他re模块函数。

括号里面的iLmsux表示如下(u并不常用，没有列出)：

re.I,re.IGNORECASE 不区分大小写的匹配
re.L,re.LOCALE 根据所使用的本地语言环境通过\w,\W,\b,\B,\s,\S实现匹配
re.M,re.MULTILINE ^和$分别匹配目标字符串中行的起始和结尾，而不是严格匹配整个字符串本身的起始和结尾。
re.S,re.DOTALL "."(点号)通常匹配除了\n（换行符）之外的所有单个字符；该模式表示"."(点号)能够匹配全部字符。
re.X,re.VERBOSE 通过反斜线转义，否则所有空格加上#(以及在该行中所有后续文字)都被忽略，除非在一个字符串中或者允许注释并且提高可读性。

re.findall(r"(?i)yes", "yes? Yes. YES!") # 忽略大小写的匹配
# ['yes', 'Yes', 'YES']

text = """
The first line
the second line
the third line
"""
re.findall(r"th.+", text) # 不使用多行匹配
# ['the second line', 'the third line']
re.findall(r"(?s)th.+", text)# 进行多行匹配
# ['the second line\nthe third line\n']
re.findall(r"(?is)th.+", text)# 忽略大小写的多行匹配
# ['The first line\nthe second line\nthe third line\n']

# 使用拆分的模式串进行匹配电话号，这样更加便于理解，这也可以说是re.X的用处所在
re.search(r"""(?x)
(\d3) # 匹配区号
[ ] # 匹配空白符
(\d{3}) # 前缀
- # 横线
(\d{4}) # 终点数字
""", '(010) 555-1212').groups()
# ('010', '555', '1212')

1.2 (?:...)

通过使用该符号，可以对部分正则表达式进行分组，但是并不会保存该分组用于后续的检索或者应用。

text = """
http://google.com
http://www.google.com
http://code.google.com
"""
re.findall(r"http://(?:\w+\.)*(\w+\.com)", text)
# ['google.com', 'google.com', 'google.com'] 观察输出结果可以发现(?:...)中的内容并没有保留

1.3 (?P<name>) 起别名，使用名称标识符来保存匹配

re.search(r"(?P<name1>\d3) (?P<name2>\d{3})-(?:\d{4})", '(010) 555-1212').groupdict()
# {'name1': '010', 'name2': '555'}
# 使用\g(name)标识符来检索保存的匹配
re.sub(r"(?P<name1>\d3) (?P<name2>\d{3})-(?:\d{4})", "(\g<name1>) \g<name2>-xxxx", "(010) 555-1212")
# '(010) 555-xxxx'

1.4 (?P=name)

可以在一个相同的正则表达式中重用模式，而不必稍后再次在（相同）正则表达式中指定相同的模式。

不会保留该分组用于以后的检索或者应用。

text = "(010) 555-1212 010-555-1212 10105551212"
bool(re.match(r"""(?x)
# 匹配 (010) 555-1212
(?P<name1>\d3)[ ](?P<name2>\d{3})-(?P<name3>\d{4})
[ ]
# 开始重用模式
# 匹配 010-555-1212
(?P=name1)-(?P=name2)-(?P=name3)
[ ]
# 匹配 10105551212
1(?P=name1)(?P=name2)(?P=name3)
""", text))
# True

text = """
Guido van Rossum
Tim Peters
Alex Martelli
Just van Rossum
Raymond Hettinger
"""
# 只有当一个字符串后面跟着 van Rossum的时候才做匹配操作
re.findall(r"\w+(?= van Rossum)", text)
# ['Guido', 'Just']

1.5 (?!...)

# 忽略以 noreply 和 postmaster 开头的e-mail地址
text = """
sales@phptr.com
postmaster@phptr.com
eng@phptr.com
noreply@phptr.com
admin@phptr.com
"""
# (?m)不严格匹配整个字符串的起始和结尾
# 之后的字符串需要不匹配(?!...)表达式才能够匹配成功
re.findall(r'(?m)^\s+(?!noreply|postmaster)(\w+)', text)
# ['sales', 'eng', 'admin']
# 使用finditer迭代器
["%s@aw.com" % e.group(1) for e in re.finditer(r'(?m)^\s+(?!noreply|postmaster)(\w+)', text)]
# ['sales@aw.com', 'eng@aw.com', 'admin@aw.com']

1.6 (?=...)

(？=.com) 当一个字符串后面跟着.com才做匹配操作。

text = "top.wuxie@gmail.com"
re.findall(r"\w+(?=.com)", text)
# ['gmail']

1.7 (?<=...)
(?<=010) 如果字符串之前为"010"才做匹配。

text = "(010) 555-1212"
re.findall("(?<=\d3) (\d{3})-(\d{4})", text)
# [('555', '1212')]

1.8 (?<!...)

(?<!name) 如果一个字符串之前不是name才进行匹配。

pat=re.compile(r'(?<!\d)[A-Za-z]+')
print pat.findall('abc21,def31,xyz41')
print pat.findall('zhoujy20130628hangzhou123,12,binjiang310')
# ['abc', 'def', 'xyz']
# ['zhoujy', 'angzhou', 'binjiang']

1.9 (?(id|name)Y|N)

(?(1)Y|N) 如果匹配组1(\1)存在，就与Y匹配，否则，就与X匹配。|N为可选项

re.findall(r"(\d)?abc(?(1)\d|abc)", "1abc2")
# ['1']
#"(?(id/name) yes |no)": 组是否匹配，匹配返回
pat=re.compile(r'a(\d)?bc(?(1)\d)') #no省略了，完整的是a\dbc\d ==> a2bc3,总共5位，第2位是可有可无的数字，第5为是数字
print pat.findall('abc9') #返回组1，但第2位（组1）没有，即返回了''
print pat.findall('a8bc9') #完整的模式，返回组1
print pat.match('a8bc9').group()
print pat.match('a8bc9').group(1)
print pat.findall('a8bc') #第5位不存在，则没有匹配到
# ['']
# ['8']
# a8bc9
# 8
# []

常见的正则表达式

QQ表达式

"[1-9]\\d{4,10}"

QQ号规则

首先扣扣号开头不能为0；
QQ号必须大于5且小于11(或12,13,QQ号最长位)

手机号表达式

# 平常手机号

"1[34578]\\d{9}"

# 手机号码后5位相同

"1[34578]\\d{4}(\\d)\\1{4}"

手机号码规则

手机号位数为11位
开头为1,第二位为3或4或5或7或8

邮箱表达式

"[\w\-\.]+\@(?:[\w\-]+\.)+[a-z]{2,3}"

邮箱规则

@符号前面的可以为字母,数字,下划线,中划线,或’.’
@后面的可以是xxx.com、xxx.cn、xxx.com.cn

用户名表达式

"[a-zA-z]\\w{0,9}"

用户名规则

必须以字母开头，长度在10位以内

密码表达式

".{6,16}"

密码规则

任意字符，6~16位