今天完成的事情：开始系统、深入学习Python的正则表达式的相关知识

正则表达式（一）

1、前言

    正则表达式是一个很强大的字符串处理工具，几乎任何关于字符串的操作都可以使用正则表达式来完成。对于爬虫抓取、日志分析、大数据处理等等，正则表达式更是一项不可或缺的重要技能。

    在前几天的学习中，已经初步接触到正则表达式的相关知识，但总感觉学习不系统，在使用正则表达式时，如果不查阅一下相关资料就会很没底气。这两天索性就系统深入学习一下，顺便花些时间整理了一下，做个笔记，以方便自己后期使用。

2、正则表达式的组成内容

‍‍‍‍    python中正则表达式的所有操作，都是使用 python 标准库中的 re 模块，大致包括以下几方面的内容：元字符、模式、函数、re内置对象、分组、环视。

3、元字符

• .                    匹配任意字符（不包括换行符）
• ^                    匹配开始位置，多行模式下匹配每一行的开始
• $                    匹配结束位置，多行模式下匹配每一行的结束
• *                    匹配前一个元字符0到多次
• +                    匹配前一个元字符1到多次
• ?                    匹配前一个元字符0到1次
• ‍{m,n}                匹配前一个元字符m到n次
• ‍\                    转义字符，后面字符将失去作为特殊元字符的含义，例如\.只能匹配.，不再匹配任意字符
• []                   字符集，一个字符的集合，可匹配其中任意一个字符
• |                    逻辑表达式 或 ，比如 a|b 代表可匹配 a 或者 b
• (...)                分组，默认为捕获，即被分组的内容可以被单独取出，默认每个分组有个索引
• (?aiLmsux)            分组中可以设置模式，aiLmsux之中的每个字符代表一个模式（详见“4、模式”）
  
• ‍(?:...)              分组的不捕获模式，计算索引时会跳过这个分组
• ‍(?P<name>...)        分组的命名模式，取此分组中的内容时可以使用索引也可以使用name
• (?P=name)            分组的引用模式，可在同一个正则表达式用引用前面命名过的正则
• (?#...)              注释，不影响正则表达式其它部分
• (?=...)              顺序肯定环视，表示所在位置右侧能够匹配括号内正则
• (?!...)              顺序否定环视，表示所在位置右侧不能匹配括号内正则
• (?<=...)             逆序肯定环视，表示所在位置左侧能够匹配括号内正则
• (?<!...)             逆序否定环视，表示所在位置左侧不能匹配括号内正则
• (?(id/name)yes|no)   若前面指定id或name的分区匹配成功则执行yes处的正则，否则执行no处的正则
  
• \number              匹配和前面索引为number的分组捕获到的内容一样的字符串
• \A                   匹配字符串开始位置，忽略多行模式
• \Z                   匹配字符串结束位置，忽略多行模式
• \b                   匹配位于单词开始或结束位置的空字符串
• \B                   匹配不位于单词开始或结束位置的空字符串
• \d                   匹配一个数字， 相当于 [0-9]
• \D                   匹配非数字,相当于 [^0-9]
• \s                   匹配任意空白字符， 相当于 [\t\n\r\f\v]
• \S                   匹配非空白字符，相当于 [^\t\n\r\f\v]
• \w                   匹配数字、字母、下划线中任意一个字符， 相当于 [a-zA-Z0-9_]
• \W                   匹配非数字、字母、下划线中的任意字符，相当于 [^a-zA-Z0-9_]

4、模式

（1）模式 I   

　　IGNORECASE， 忽略大小写的匹配模式，有以下两种用法：

import re
s = 'Hello World!'
regex1 = re.compile("hello world!", re.I)   # 第一种写法，推荐此种写法
print('1---' + regex1.match(s).group())

regex2 = re.compile("(?i)hello world!")     # 第二种写法
print('2---' + regex2.match(s).group())

运行结果如下：

1---Hello World!

2---Hello World!

（2）模式 L

　　LOCALE， 本地化字符集匹配模式。在这种模式下，使用 \w, \W, \b, \B, \s, \S 这些元字符匹配的字符集取决于当前区域的设定。不过这个对于中文环境似乎没有什么用，它不能匹配中文字符。

（3）模式 M

　　MULTILINE，多行匹配模式，改变 ^ 和 $ 的行为，如：

import re
s = """first line
second line
third line"""
regex_start = re.compile("^\w+")
print(regex_start.findall(s))
regex_start_m = re.compile("^\w+", re.M)    # 第一种写法，推荐写法
print(regex_start_m.findall(s))

regex_end = re.compile("\w+$")
print(regex_end.findall(s))
regex_end_m = re.compile("(?m)\w+$")        # 第二种写法
print(regex_end_m.findall(s))

‍运行结果如下：

['first']

['first', 'second', 'third']

['line']

['line', 'line', 'line']

（4）模式 S

　　DOTALL，此模式下 '.' 的匹配不受限制，可匹配任何字符，包括换行符：

import re
sss = """first line
second line
third line"""
regex = re.compile(".+")
print(regex.findall(sss))

regex_dotall = re.compile(".+", re.S)
print(regex_dotall.findall(sss))

‍运行结果如下：

['first line', 'second line', 'third line']

['first line\nsecond line\nthird line']

（5）模式 U 

　　UNICODE，Unicode字符集匹配模式。在这种模式下，使用 \w, \W, \b, \B, \s, \S 这些元字符只匹配 UNICODE 字符。

（6）模式 A 

　　ASCII，Ascii字符集匹配模式。在这种模式下，使用 \w, \W, \b, \B, \s, \S 这些元字符只匹配 ASCII 字符。

（7）模式 X

　　VERBOSE，冗余模式。 此模式忽略正则表达式中的空白和#号的注释。

　　如写一个匹配邮箱的正则表达式，以下两种写法是等价的：

email = re.compile("[\w+\.]+@[a-zA-Z\d]+\.(com|cn)")

email = re.compile("""[\w+\.]+      # 匹配@符前的部分
                      @            # @符
                      [a-zA-Z\d]+  # 邮箱类别
                      \.(com|cn)   # 邮箱后缀  """, re.X)

　　正则表达式的模式是可以同时使用多个的，在 python 里面使用按位或运算符 | 同时添加多个模式。如： re.compile('', re.I|re.M|re.S) 。 

　　今天就先整理到这里，后面会继续进行。（待续中）