Python re 模块回顾
使用Python大法已经有一段时间了，re正则模块却一直都还没有吃透，所以重新回顾了该模块和Python中的正则表达式。这里推荐一个在线测试正则表达式的站点-liveregex.com，对于理解正则匹配的过程是十分有帮助的。
下面详细的给出正则表达式元字符和具体语法：
一般元字符：
| . | 匹配任意除换行符’\n’以外的字符，但在DOTALL模式下也可以匹配换行符
| \ | 转义字符，例如当需要匹配点号’.’时，就需使用 . 或者字符集 [.]
| […] | 字符集，表示对应的位置可以是字符集中的任意字符，如果字符集以^开头，则表示匹配字符集以外的字符。所有特殊字符在字符集中都将失去原有的特殊含义
预定义元字符：
| \d | 匹配数字 0-9 |
| \D | 匹配非数字 |
| \s | 匹配空白字符 [ \t\r\n\f\v] |
| \S | 匹配非空白字符 |
| \w | 匹配单词字符 [a-zA-Z0-9_] |
| \W | 匹配非单词字符 |
数量词元字符：
| * | 匹配前一个字符0次或者多次 (=0)
| + | 匹配前一个字符至少1次或者多次 (=1)
| ? | 匹配前一个字符0次或者1次 (0 or 1)
| {m} | 匹配前一个字符m次 (m)
| {m,n} | 匹配前一个字符n次到m次，使用时也可以省略其中任意一个边界 (m<=i<=n)
| ? | 表示将其面的匹配模式变为非贪婪模式
边界元字符：
| ^ | 匹配字符串的开头，多行模式中匹配每一行的开头。
| $ | 匹配字符穿的结尾，多行模式中匹配每一行的结尾。
| \A | 仅匹配字符串开头
| \Z | 仅匹配字符串结尾
| \b | 匹配\w和\W之间
| \B | [^\b]
分组：
| | | 表示匹配左右表达式中任意匹配一个，顺序从左往右，一旦匹配成功则跳过匹配右边表达式
| (…) | 使用括号括起来的表达式作为分组，且每个分组都有相应的编号，在表达式中能直接使用分组编号
| (?P\
| \
| (?P=name) | 引用名字为<name的分组匹配到的字符串
特殊：
| (?:…) | (…)的不分组形式，多用于(?:abc|edf)这种多类匹配形式
| (?iLmsux) | 设置表达式的匹配模式，用于表达式的开头
| (?#…) | 表达式中的注释，#后面的内容会被注释
| (?=…) | 之后的表达式需要匹配…的内容才能最终匹配成功
| (?!…) | 之后的表达式需要不匹配…的内容才能最终匹配成功
| (?<=…) | 在之前的表达式需要匹配…的内容才能最终匹配成功
| (?<!…) | 在之前的表达式需要不匹配…的内容才能最终匹配成功
| (?(id/name)yes-pattern|no-pattern) | 如果匹配到id/name的组字符，则需要匹配到yes-pattern，否则匹配no-pattern
re模块中有4个常用的匹配函数：
| match() | 始终从字符串开头开始匹配，匹配成功返回第一个匹配到的对象，否则返回None
| search() | 可以从字符串任意匹配，匹配成功返回第一个匹配到的对象，否则返回None
| findall() | 匹配字符串中所有符合正则表达式的匹配项，并以列表返回
| finditer() | 匹配字符串中所有符合正则表达式的匹配项，以迭代器形式返回
基本上正则中的元字符已经列举完了，下面开始一些实战练习。
e.g. email地址匹配：([a-z0-9_\.-]+@[\da-z\.-]+\.[a-z\.]{2,20})
import re |
因为这里需要匹配的文本是多行，所以为了方便匹配进行多行匹配，这里显示使用了DOTALL匹配模式，使得.能够匹配\n。（若不使用多行匹配模式，则只能在正则表达式中显示的使用\s来匹配空白符）
这里还要说一个需要注意的地方，在使用re模块时可能会被忽视的地方。re模块中有两个相似的函数match()和search()，在使用并无太大区别，但在匹配方式上有一点点的小差别，match()是从字符串的起点开始做匹配，而search()是从字符串做任意匹配。下面这个小例子可以说明这一点：
import re |
这里使用了match()函数，正则表达式并没有指定e字符之前的匹配，所以会匹配失败输出None。
import re |
这里使用了search()函数，正则表达式并没有指定e字符之前的匹配，但是由于search()可以从字符串做任意匹配，所以会匹配失败输出实例对象<_sre.SRE_Match object at 0x10e718648>。
说了这么多，我们回到最开始的邮件匹配表达式([a-z0-9_\.-]+@[\da-z\.-]+\.[a-z\.]{2,20})，其中[a-z0-9_\.-]+匹配的是邮件地址用户名（由字母、数字、点、减号和下划线组成，只能以数字或字母开头he结尾），如果要比较严格的正则则应该为[a-z0-9][a-z0-9_\.-]+[a-z0-9]；@匹配@符号；[\da-z\.-]+\.[a-z\.]{2,20}匹配邮件所属域名（若想严格一点使用[a-z]作为表达式结尾，防止匹配到”rickchen.vip@gmail.com.”这种格式）。
再来一段待匹配的文本，然后从中匹配出email地址：
-*&*!#rickchen.vip@gmail.com=====163.com======123123%!@414842588@qq.com,root@0xfa.club
这里使用的正则表达式为：([a-z0-9][a-z0-9_\.-]+[a-z0-9]@[\da-z\.-]+\.[a-z\.]{2,20}[a-z])，因为match()和search()匹配到一个就会结束匹配，所以这里使用re模块中的finditer()来匹配所有满足正则表达式的文本，并将它们作为迭代器返回。
import re |
代码输出结果为：
rickchen.vip@gmail.com
414842588@qq.com
root@0xfa.club
下面使用自定义名字分组来分别获取：email地址、email用户名、email所属域名。在Python里面指定分组名称表达式为(?P<name>...)，所以表达式在原有的基础上做一点分组命名处理：
(?P<email>(?P<username>[a-z0-9][a-z0-9_\.-]+[a-z0-9])@(?P<domain>[\da-z\.-]+\.[a-z\.]{2,20}[a-z]))
更改代码；
import re |
代码输出结果为：
Email: "rickchen.vip@gmail.com" (Username: "rickchen.vip", Domain: "gmail.com")
Email: "414842588@qq.com" (Username: "414842588", Domain: "qq.com")
Email: "root@0xfa.club" (Username: "root", Domain: "0xfa.club")
这里也可以不使用m.group(‘email’)来获取email分组的值，可以使用groupdict()返回一个以别名为键值的字典（没有设置别名的不包含在内）。e.g.m.groupdict()['email']为匹配到的email分组的值。
上面是一个简单的email地址匹配的例子，下面给一个简单的匹配html闭合标签的例子。
这里有一段html文本，为了演示方便将其融为一行：
<div><h1>Hello World!</h1><a href="http://rickgray.me">rickgray.me</a><div><p>This is testing!</p></div></div>
闭合标签指的是，<div>...</div>、<h1>...</h1>、<a>...</a>这些都属于闭合类型的标签，因为闭合标签成对出现所以一个简单的正则表达式可以这样写：<(?P<tag>[^>]+)>(?P<value>.*)</(?P=tag)>，看下面这段代码：
import re |
代码输出结果为：
Tag: "div"
Value: "<h1>Hello World!</h1><a href="http://rickgray.me">rickgray.me</a><div><p>This is testing!</p></div>"
这里可以更完善一点的使用<(?P<tag>[^>]+)\b[^>]*>(?P<value>.*)</(?P=tag)>来匹配像<a href="http://rickgray.me">rickgray.me</a>这种含有属性的标签。在匹配标签值是使用的是贪婪模式.*而不是非贪婪模式.*?，如果这里使用非贪婪模式则输出结果则应该为（以第一个作为结束标志，并不是正确的）：
Tag: "div"
Value: "<h1>Hello World!</h1><a href="http://rickgray.me">rickgray.me</a><div><p>This is testing!</p>"
这里可以写个递归匹配闭合标签的函数get_tags()，如下：
def get_tags(s, d=0): |
这里重新找段测试html文本，将其保存为demo.txt：
|
下面是测试代码：
import re |
代码输出太多这里就不贴出来了，可以亲手实践一下。这里的递归闭合标签的函数get_tags()并不是很完善，还存在着一些bug，可以对其进行完善，甚至DIY一个html解析器出来。
对于re的回顾暂时就这么多了，正则想要学好最重要的就是多练习多实践。：）