與大多數(shù)編程語言相同，正則表達式里使用"\"作為轉(zhuǎn)義字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符"\"，那么使用編程語言表示的正則表達式里將需要 4 個反斜杠"\\"：第一個和第三個用于在編程語言里將第二個和第四個轉(zhuǎn)義成反斜杠，轉(zhuǎn)換成兩個反斜杠\后再在正則表達式里轉(zhuǎn)義成一個反斜杠用來匹配反斜杠\。這樣顯然是非常麻煩的。

Python 里的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用 r"\"表示。同樣，匹配一個數(shù)字的"\d"可以寫成r"\d"。有了原生字符串，媽媽再也不用擔心我的反斜杠問題~

介紹 re 模塊

Compile

Python 通過 re 模塊提供對正則表達式的支持。使用 re 的一般步驟是：

Step1：先將正則表達式的字符串形式編譯為Pattern實例。
Step2：然后使用Pattern實例處理文本并獲得匹配結(jié)果（一個Match實例）。
Step3：最后使用Match實例獲得信息，進行其他的操作。

我們新建一個 re01.py 來試驗一下 re 的應用：

# -*- coding: utf-8 -*-  
#一個簡單的re實例，匹配字符串中的hello字符串  

#導入re模塊  
import re  

# 將正則表達式編譯成Pattern對象，注意hello前面的r的意思是“原生字符串”  
pattern = re.compile(r'hello')  

# 使用Pattern匹配文本，獲得匹配結(jié)果，無法匹配時將返回None  
match1 = pattern.match('hello world!')  
match2 = pattern.match('helloo world!')  
match3 = pattern.match('helllo world!')  

#如果match1匹配成功  
if match1:  
    # 使用Match獲得分組信息  
    print match1.group()  
else:  
    print 'match1匹配失敗！'  

#如果match2匹配成功  
if match2:  
    # 使用Match獲得分組信息  
    print match2.group()  
else:  
    print 'match2匹配失??！'  

#如果match3匹配成功  
if match3:  
    # 使用Match獲得分組信息  
    print match3.group()  
else:  
    print 'match3匹配失?。?

可以看到控制臺輸出了匹配的三個結(jié)果：

http://wiki.jikexueyuan.com/project/python-crawler/images/8.png" alt="" />

下面來具體看看代碼中的關(guān)鍵方法。

★ re.compile(strPattern[, flag]):

這個方法是 Pattern 類的工廠方法，用于將字符串形式的正則表達式編譯為 Pattern 對象。第二個參數(shù) flag 是匹配模式，取值可以使用按位或運算符'|'表示同時生效，比如 re.I | re.M。另外，你也可以在 regex 字符串中指定模式，比如 re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。可選值有：

re.I(全拼：IGNORECASE): 忽略大小寫（括號內(nèi)是完整寫法，下同）
re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為
re.L(全拼：LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區(qū)域設定
re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于 unicode 定義的字符屬性
re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。

以下兩個正則表達式是等價的：

# -*- coding: utf-8 -*-  
#兩個等價的re匹配,匹配一個小數(shù)  
import re  

a = re.compile(r"""\d +  # the integral part 
                   \.    # the decimal point 
                   \d *  # some fractional digits""", re.X)  

b = re.compile(r"\d+\.\d*")  

match11 = a.match('3.1415')  
match12 = a.match('33')  
match21 = b.match('3.1415')  
match22 = b.match('33')   

if match11:  
    # 使用Match獲得分組信息  
    print match11.group()  
else:  
    print u'match11不是小數(shù)'  

if match12:  
    # 使用Match獲得分組信息  
    print match12.group()  
else:  
    print u'match12不是小數(shù)'  

if match21:  
    # 使用Match獲得分組信息  
    print match21.group()  
else:  
    print u'match21不是小數(shù)'  

if match22:  
    # 使用Match獲得分組信息  
    print match22.group()  
else:  
    print u'match22不是小數(shù)'

re 提供了眾多模塊方法用于完成正則表達式的功能。這些方法可以使用 Pattern 實例的相應方法替代，唯一的好處是少寫一行 re.compile()代碼，但同時也無法復用編譯后的 Pattern 對象。這些方法將在 Pattern 類的實例方法部分一起介紹。

如一開始的 hello 實例可以簡寫為：

# -*- coding: utf-8 -*-  
#一個簡單的re實例，匹配字符串中的hello字符串  
import re  

m = re.match(r'hello', 'hello world!')  
print m.group()

re 模塊還提供了一個方法 escape(string)，用于將 string 中的正則表達式元字符如 */+/?等之前加上轉(zhuǎn)義符再返回

Match

Match 對象是一次匹配的結(jié)果，包含了很多關(guān)于此次匹配的信息，可以使用 Match 提供的可讀屬性或方法來獲取這些信息。

屬性：

string: 匹配時使用的文本。
re: 匹配時使用的 Pattern 對象。
pos: 文本中正則表達式開始搜索的索引。值與 Pattern.match() 和 Pattern.seach() 方法的同名參數(shù)相同。
endpos: 文本中正則表達式結(jié)束搜索的索引。值與 Pattern.match() 和Pattern.seach() 方法的同名參數(shù)相同。
lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為 None
lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為 None。

方法：

group([group1, …])：
獲得一個或多個分組截獲的字符串；指定多個參數(shù)時將以元組形式返回。group1 可以使用編號也可以使用別名；編號 0 代表整個匹配的子串；不填寫參數(shù)時，返回 group(0)；沒有截獲字符串的組返回 None；截獲了多次的組返回最后一次截獲的子串。
groups([default])：
以元組形式返回全部分組截獲的字符串。相當于調(diào)用 group(1,2,…last)。default 表示沒有截獲字符串的組以這個值替代，默認為 None。
groupdict([default])：
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內(nèi)。default 含義同上。
start([group])：
返回指定的組截獲的子串在 string 中的起始索引（子串第一個字符的索引）。group 默認值為 0。
end([group])：
返回指定的組截獲的子串在 string 中的結(jié)束索引（子串最后一個字符的索引+1）。group 默認值為 0。
span([group])：
返回(start(group), end(group))。
expand(template)：
將匹配到的分組代入 template 中然后返回。template 中可以使用\id或\g、\g引用分組，但不能使用編號 0。\id 與\g是等價的；但\10 將被認為是第 10 個分組，如果你想表達\1 之后是字符'0'，只能使用\g<1>0。

下面來用一個 py 實例輸出所有的內(nèi)容加深理解：

# -*- coding: utf-8 -*-  
#一個簡單的match實例  

import re  
# 匹配如下內(nèi)容：單詞+空格+單詞+任意字符  
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')  

print "m.string:", m.string  
print "m.re:", m.re  
print "m.pos:", m.pos  
print "m.endpos:", m.endpos  
print "m.lastindex:", m.lastindex  
print "m.lastgroup:", m.lastgroup  

print "m.group():", m.group()  
print "m.group(1,2):", m.group(1, 2)  
print "m.groups():", m.groups()  
print "m.groupdict():", m.groupdict()  
print "m.start(2):", m.start(2)  
print "m.end(2):", m.end(2)  
print "m.span(2):", m.span(2)  
print r"m.expand(r'\g<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')  

### output ###  
# m.string: hello world!  
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>  
# m.pos: 0  
# m.endpos: 12  
# m.lastindex: 3  
# m.lastgroup: sign  
# m.group(1,2): ('hello', 'world')  
# m.groups(): ('hello', 'world', '!')  
# m.groupdict(): {'sign': '!'}  
# m.start(2): 6  
# m.end(2): 11  
# m.span(2): (6, 11)  
# m.expand(r'\2 \1\3'): world hello!

Pattern

Pattern 對象是一個編譯好的正則表達式，通過 Pattern 提供的一系列方法可以對文本進行匹配查找。 Pattern 不能直接實例化，必須使用 re.compile()進行構(gòu)造，也就是 re.compile()返回的對象。 Pattern 提供了幾個可讀屬性用于獲取表達式的相關(guān)信息：

pattern: 編譯時用的表達式字符串。
flags: 編譯時用的匹配模式。數(shù)字形式。
groups: 表達式中分組的數(shù)量。
groupindex: 以表達式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內(nèi)。

可以用下面這個例子查看 pattern 的屬性：

# -*- coding: utf-8 -*-  
#一個簡單的pattern實例  

import re  
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)  

print "p.pattern:", p.pattern  
print "p.flags:", p.flags  
print "p.groups:", p.groups  
print "p.groupindex:", p.groupindex  

### output ###  
# p.pattern: (\w+) (\w+)(?P<sign>.*)  
# p.flags: 16  
# p.groups: 3  
# p.groupindex: {'sign': 3}

下面重點介紹一下 pattern 的實例方法及其使用。

match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：

這個方法將從 string 的 pos 下標處起嘗試匹配 pattern；如果 pattern 結(jié)束時仍可匹配，則返回一個 Match 對象；如果匹配過程中 pattern 無法匹配，或者匹配未結(jié)束就已到達 endpos，則返回 None。pos 和 endpos 的默認值分別為 0 和 len(string)；re.match()無法指定這兩個參數(shù)，參數(shù) flags 用于編譯 pattern時指定匹配模式。

注意：這個方法并不是完全匹配。當 pattern 結(jié)束時若 string 還有剩余字符，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符'$'。

下面來看一個 Match 的簡單案例：

# encoding: UTF-8  
import re  

# 將正則表達式編譯成Pattern對象  
pattern = re.compile(r'hello')  

# 使用Pattern匹配文本，獲得匹配結(jié)果，無法匹配時將返回None  
match = pattern.match('hello world!')  

if match:  
    # 使用Match獲得分組信息  
    print match.group()  

### 輸出 ###  
# hello

search

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):

這個方法用于查找字符串中可以匹配成功的子串。從 string 的 pos 下標處起嘗試匹配 pattern，如果 pattern 結(jié)束時仍可匹配，則返回一個 Match 對象；若無法匹配，則將 pos 加 1 后重新嘗試匹配；直到 pos=endpos 時仍無法匹配則返回 None。pos 和 endpos 的默認值分別為 0 和 len(string))； re.search()無法指定這兩個參數(shù)，參數(shù) flags 用于編譯 pattern 時指定匹配模式。那么它和 match 有什么區(qū)別呢？match()函數(shù)只檢測 re 是不是在 string 的開始位置匹配，search()會掃描整個 string 查找匹配，

match（）只有在 0 位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match() 就返回 none。

例如：

print(re.match(‘super’, ‘superstition’).span())

會返回(0, 5)

print(re.match(‘super’, ‘insuperable’))

則返回 None

search()會掃描整個字符串并返回第一個成功的匹配

例如：

print(re.search(‘super’, ‘superstition’).span())

返回(0, 5)

print(re.search(‘super’, ‘insuperable’).span())

返回(2, 7)

看一個 search 的實例：

# -*- coding: utf-8 -*-  
#一個簡單的search實例  

import re  

# 將正則表達式編譯成Pattern對象  
pattern = re.compile(r'world')  

# 使用search()查找匹配的子串，不存在能匹配的子串時將返回None  
# 這個例子中使用match()無法成功匹配  
match = pattern.search('hello world!')  

if match:  
    # 使用Match獲得分組信息  
    print match.group()  

### 輸出 ###  
# world

split

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):

按照能夠匹配的子串將 string 分割后返回列表。maxsplit 用于指定最大分割次數(shù)，不指定將全部分割。

import re  

p = re.compile(r'\d+')  
print p.split('one1two2three3four4')  

### output ###  
# ['one', 'two', 'three', 'four', '']

findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):

搜索 string，以列表形式返回全部能匹配的子串。

import re  

p = re.compile(r'\d+')  
print p.findall('one1two2three3four4')  

### output ###  
# ['1', '2', '3', '4']

finditer

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):

搜索 string，返回一個順序訪問每一個匹配結(jié)果（Match 對象）的迭代器。

import re  

p = re.compile(r'\d+')  
for m in p.finditer('one1two2three3four4'):  
    print m.group(),  

### output ###  
# 1 2 3 4

sub

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):

使用 repl 替換 string 中每一個匹配的子串后返回替換后的字符串。當 repl 是一個字符串時，可以使用\id 或\g、\g引用分組，但不能使用編號 0。當 repl 是一個方法時，這個方法應當只接受一個參數(shù)（Match 對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。count 用于指定最多替換次數(shù)，不指定時全部替換。

import re  

p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  

print p.sub(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.sub(func, s)  

### output ###  
# say i, world hello!  
# I Say, Hello World!

subn

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):

返回 (sub(repl, string[, count])，替換次數(shù))。

import re  

p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  

print p.subn(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.subn(func, s)  

### output ###  
# ('say i, world hello!', 2)  
# ('I Say, Hello World!', 2)

上一篇：Opener 與 Handler 的介紹和實例應用下一篇：糗事百科的網(wǎng)絡爬蟲（v0.3）源碼及解析(簡化更新)