标准库re的介绍

引言：正则表达式在处理爬虫和数据分析等任务时使用十分频繁，所以掌握这个标准库是十分必要的。

Python提供了一个正则表达式的标准库re，这个模块的正则表达式匹配操作与 Perl语言类似。

由于re是标准库，所以不需要额外安装。在使用之前须先引入该模块：

import re

正则表达式使用的匹配字符串类型

模式和被搜索的字符串既可以是Unicode字符串(str)，也可以是8位字节串 (bytes)。 但是，Unicode字符串与8位字节串不能混用：也就是说，你不能用一个字节串模式去匹配Unicode字符串，反之亦然；类似地，当进行替换操作时，替换字符串的类型也必须与所用的模式和搜索字符串的类型一致。

反斜杠"\"和原始字符串表示法

正则表达式使用反斜杠（'\'）来表示特殊形式，或者把特殊字符转义成普通字符。 而反斜杠在普通的 Python 字符串里也有相同的作用，所以就产生了冲突。比如说，要匹配一个字面上的反斜杠，正则表达式模式不得不写成 '\\\\'，因为正则表达式里匹配一个反斜杠必须是 \\ ，而每个反斜杠在普通的 Python 字符串里都要写成 \\ 。

解决办法是对于正则表达式样式使用Python的原始字符串表示法；在带有 'r' 前缀的字符串字面值中，反斜杠不必做任何特殊处理。 因此 r"\n" 表示包含 '\' 和 'n'两个字符的字符串，而"\n"则表示只包含一个换行符的字符串。样式在Python代码中通常都会使用这种原始字符串表示法来表示。

正则表达式的语法

正则表达式语法由字符和操作符构成，其常用操作符如下：

.——表示任何单个字符。

[]——字符集，对单个字符给出取值范围。如[abc]表示a、b、c中的任意一个。

[^]——非字符集，对单个字符给出排除范围。如[^abc]表示除a、b、c以外的其它字符。

*——前一个字符0次或无限次扩展。如abc*表示ab、abc、abcc、abccc等。

+——前一个字符1次或无限次扩展。abc+表示abc、abc、abccc等。

?——前一个字符0次或1次扩展。如abc?表示ab、abc两种情况。

|——表示左右表达式中的任意一个。如abc|def表示abc、def。

{m}——将前面的一个字符扩展m次。如ab{2}c表示abbc。

{m,n}——扩展前一个字符m至n次（含n）。如ab{1,2}c表示abc、abbc。

注意：<font face="楷体">{m,n}中，m和n之间不能有空格！！！</font>

^——匹配字符串开头。如^abc表示以abc为开头的字符串。

表示以abc为结尾的字符串。

()——分组标记，内部只能使用|操作符。如(abc)表示abc，(abc|def)表示abc、def。

\d——数字集合，等价于[0-9]。

\w（注意是小写w）——匹配任意字母、数字及下划线，等价于[a-zA-Z0-9_]。

经典正则表达式实例

^[A-Za-z]+$：由26个大小字母组成的字符串。

^[A-Za-z0-9]+$：由26个字母和数字组成的字符串。

^-?\d+$：整数形式的字符串。注意，带一个负号。

^[1-9]*[1-9][0-9]*$：正整数形式的字符串。

\d{3}-\d{8}：国内电话号码，如020-12345678。

[1-9]\d{5}：中国境内邮政编码，不以0开头的6位数字。

[\u4e00-\u9fa5]：匹配中文字符，此为UTF-8字符集的内容。

To be continued.