正则表达式用来实现字符串的检索、替换、匹配和验证。

1. 实例引入

https://tool.oschina.net/regex/，该网站可用于常用正则表达式的匹配。例如：

匹配中文字符：[\u4e00-\u9fa5]

匹配URL的正则表达式：[a-zA-z]+://[^\s]*

匹配18位身份证号：^(\d{6})(\d{4})(\d{2})(\d{2})(\d{3})([0-9]|X)$

其中a-z代表任意的小写字母，\s代表任意空白字符，*代表匹配前面的任意多个字符，一串正则表达式就是多个匹配规则的组合。

Python的re库提供整个正则表达式的实现。

1. match

match方法会尝试从字符串的起始位置开始匹配正则表达式，如果匹配，就返回匹配成功的结果；如果不匹配，就返回None。例：

import re
content = 'Hello 123 4567 Hello_world'
print(len(content))
result = re.match('^Hello\s\d{3}\s\d{4}\s\w{11}', content)
print(result)
print(result.group())
print(result.span())

在match方法中，第一个参数是传入正则表达式，第二个参数是传入要匹配的字符串。group方法可以输出匹配到的内容，是正则表达式按照规则匹配的内容；span方法输出匹配到的范围，这是匹配到的结果字符串在原字符串中的位置范围。

匹配目标

可以使用小括号()将想要提取的子字符串括起来。()实际上标记了一个子表达式的开始和结束位置，被标记的每个子表达式依次对应每个分组，调用group方法传入分组的索引即可获取提取结果。例：

import re
content = 'Hello 1234567 Hello_world'
print(len(content))
result = re.match('^Hello\s(\d{7})\s\w{11}', content)
print(result)
print(result.group(1))
print(result.span())

可以看到其中数字部分的正则表达式被()括了起来，然后调用group(1)获取匹配结果。假如正则表达式后面还有用()包围的内容，那么可以依次用group(2)、group(3)等获取。

通用匹配

符号.可以匹配任意字符，*代表匹配前面的字符无限次，组合在一起.*就可以匹配任意字符。例：

import re
content = 'Hello 1231 23412 This is a regular expression demo'
result = re.match('^Hello.*demo$',content)
print(result)
print(result.group())
print(result.span())

贪婪与非贪婪

例：

import re
content = 'Hello 1234567 World'
result = re.match('^He.*(\d+).*ld$',content)
print(result)
print(result.group(1))

只得到7这个数字，因为涉及贪婪和非贪婪。在贪婪匹配下，.*会匹配尽可能多的字符。正则表达式中，.*后面是\d+，也就是至少一个数字，而且没有指定具体几个数字，因此，.*会匹配尽可能多的字符，这里就把123456都匹配了，只给\d+留下一个可满足条件的数字7，因此最后得到的内容就只有数字7。

而非贪婪匹配的写法是.*?，比通用匹配多了一个？。

修饰符

在正则表达式中，可以用一些可选标志修饰符来控制匹配的模式，例：

import re
content = '''Hello 1234567 World_This
is a Regex Demo
'''
result = re.match('^He.*?(\d+).*Demo$',content,re.S)#若不加参数re.S则报错
print(result.group(1))

re.S的作用是匹配内容包括换行符在内的所有字符。

转义匹配

正则表达式定义了许多匹配模式，如.用于匹配除换行符以外的任意字符。但如果目标字符串里就包含.这个字符，在此字符前加反斜线\转义一下即可，例：

import re
content = '(百度)www.baidu.com'
result = re.match('\(百度\)www\.baidu\.com', content)
print(result)

结果成功匹配了原字符串。

1. search

match方法从字符串的开头开始匹配，而search从在匹配时会扫描整个字符串，然后返回第一个匹配成功的结果。也就是说，正则表达式可以是字符串的一部分。在匹配时，search方法会依次以每个字符作为开头扫描字符串。直到找到第一个符合规则的字符串，然后返回匹配内容；如果扫描完还没有找到符合规则的字符串，就返回None。

由于绝大部分HTML文本包含换行符，所以需要尽量加上re.S修饰符，一面出现匹配不到的问题。

1. findall

如果想要获取与正则表达式相匹配的所有字符串，就要借助findall方法了。

findall的返回结果是列表类型，需要通过遍历来依次获取每组内容。

1. sub

除了使用正则表达式提取信息，有时候还需要借助它来修改文本。例如，想要把一串文本中的所有数字都去掉，如果只用字符串的replace方法未免太繁琐，可以借助sub方法。例：

import re
content = '662akdkad1khk21'
content = re.sub('\d+','',content)
print(content)

这里往sub方法的第一个参数中传入\d+以匹配所有的数字，往第二个参数中传入把数字替换成的字符串，第三个参数是原字符串。

在提取HTML文本中还可以用sub方法将节点去掉，只留下文本，然后再利用findall提取。

1. compile

compile方法可以将正则字符串编译成正则表达式对象，以便在后面的匹配中复用。例：

import re
content1 = '2021-1-1 12:00'
content2 = '2021-12-1 01:00'
content3 = '2022-1-1 23:10'
pattern = re.compile('\d{2}:\d{2}')
result1 = re.sub(pattern,'',content1)
result2 = re.sub(pattern,'',content2)
result3 = re.sub(pattern,'',content3)
print(result1,result2,result3)

这个实例有三个日期，我们想分别将这3个日期的时间去掉，可以借助sub方法。该方法的第一个参数是正则表达式，但是没有必要写三个同样的正则表达式，此时就可以借助compile方法将正则表达式编译成一个正则表达式对象，以便复用。