正则表达式之match（）

对于URL来说，可以用下面的正则表达式匹配：[a-zS-z]+://[^\s]*。

用这个正则表达式去匹配一个字符串，如果中国字符串包含类似URL的文本，就会被提取出来。

这个正则表达式看上去是乱糟糟的一团，其实不然。如a-z代表匹配任意小写字母，\s表示匹配任意的空白字符，*就代表匹配前面的字符可以任意多个。

 python的re库提供了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匹配正则表达式，如果匹配，就返回匹配成功的结构；如果不匹配，就返回None。示例如下：

import re
content='Hello 1234567 World_This is a Regex Demo'
result=re.match('^Hello\s(\d+)\sWorld',content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())

运行结果如下：

<re.Match object; span=(0, 19), match='Hello 1234567 World'>
Hello 1234567 World
1234567
(0, 19)

group()会输出完整的匹配结果，而group1()会输出第一个被()包围的匹配结果。

1.通用匹配

.*(点星)是一个万能匹配。其中.（点）可以匹配任意字符（除换行符），*代表匹配前面的字符无限次。

import re
content='Hello 1234567 World_This is a Regex Demo'
result=re.match('^Hello.*Demo$',content)
print(result)
print(result.group())
print(result.span())

这里我们将中间部分直接省略，全用.*来代替，最后加一个结尾字符串。运行结果如下：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
Hello 1234567 World_This is a Regex Demo
(0, 40)

2.贪婪与非贪婪

import re
content='Hello 1234567 World_This is a Regex Demo'
result=re.match('^He.*(\d+).*Demo$',content)
print(result)
print(result.group(1))

 这里我们依然想获取中间的数字，所以中间依然写的是(\d+)。而数字两侧由于内容比较杂乱，所以想省略来写。运行结果如下：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
7

可以发现我们只得到了7这个数字。这里涉及一个贪婪匹配与非贪婪匹配的问题。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，并没有指定具体多少给数字，因此，.*就尽可能匹配多的字符，这里就把123456匹配了，给\d+留下一个可满足条件的数字7。

这时，我们可以使用非贪婪匹配来解决这个问题。它的写法是.*?。

非贪婪匹配就是尽可能匹配少的字符。当.*?匹配到Hello后面的空白字符时，再往后的字符就是数字了，而\d+恰好可以匹配，.*?就不再进行匹配，交给\d+去匹配后面的数字。

但需要注意，如果匹配的结果在字符串尾，.*?就可能匹配不到任何内容了。

import re
content='http://weibo.com/comment/kEraCN'
result1=re.match('http.*?comment/(,*?)',content)
result2=re.match('http.*?comment/(.*)',content)
print('result1',result1.group(1))
print('result2',result2.group(1))

运行结果如下：

result1 
result2 kEraCN

可以观察到，.*?没有匹配到任何结果，而.*则尽量匹配多的内容，成功得到了匹配结果。

3.修饰符

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。

import re
content='''Hello 1234567 World_This
is a Regex Demo
'''
result=re.match('^He.*?(\d+).*?Demo$',content)
print(result.group(1))

 与上例相仿，我们在字符串中加了换行符，但运行直接报错，我们又调用了group()方法导致AttributeError。

.匹配的是除换行符之外的任意字符每当遇到换行符，.*?就不能匹配了，所以导致匹配失败，这里只需加一个修饰符re.S，即可修正这个错误：result=re.match('^He.*?(\d+).*?Demo$',content,re.S)

4.转义匹配

如果目标字符串里就包含,，就需要用到转义匹配：

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

当遇到用于正则匹配模式的特殊字符时，在前面加反斜线转义一下即可。例如.就可以用\.来匹配，运行结果如下：

已连接到 pydev 调试器(内部版本号 231.9011.38)<re.Match object; span=(0, 17), match='(百度)www.baidu.com'>

可以看到，这里成功匹配到了原字符串。