轉載 Python 正則表示式入門（中級篇）
Python 正則表示式入門（中級篇）
初級篇連結：http://www.cnblogs.com/chuxiuhong/p/5885073.html
上一篇我們說在這一篇裡，我們會介紹子表示式，向前向後查詢，回溯引用。到這一篇開始前除了回溯引用在一些場合不可替代以外，大部分情況下的正則表示式你應該都會寫了。
1.子表示式
子表示式的概念特別好理解。其實它就是將幾個字元的組合形式看做一個大的“字元”。不好理解？舉個栗子：我們要匹配類似IP地址這種形式的字元（暫且不考慮數值範圍的合理性，這個留作學完之後的思考題吧）。形如192.168.1.1這樣的地址我們怎麼寫表示式呢？
答案一 \d+.?\d+.?\d+.?\d+ 不好，一個是太繁瑣，另一個是連位數都控制不了
答案二 \d+{1,3}.?\d+{1,3}.?\d+{1,3}.?\d+{1,3}一般般，複雜但是起碼能把位數控制在合理範圍
答案三 (\d+{1,3}\.){3}\d+{1,3}\.利用子表示式，將123.這種數字加小數點看做一個整體字元，對其規定重複匹配的次數，既簡潔，效果又好。所以只要你將幾個字元組合用圓括號括起來，那麼你就可以把一個圓括號內的內容當做一個字元，外面可以加我們之前講過的所有元字元來控制匹配。
2.向前向後查詢
現在，我們終於來到了向前向後查詢這一塊。為什麼說終於來到這了呢？還記得我們在初級篇最開始的例子嗎？
假如你在寫一個爬蟲，你得到了一個網頁的HTML原始碼。其中有一段html
<html><body><h1>hello world</h1></body></html>
你想要把這個hello world提取出來
import re
key = r"<html><body><h1>hello world</h1></body></html>"#這段是你要匹配的文字
p1 = r"(?<=<h1>).+?(?=</h1>)"#這是我們寫的正則表示式規則，你現在可以不理解啥意思
pattern1 = re.compile(p1)#我們在編譯這段正則表示式 matcher1 = re.search(pattern1,key)#在源文字中搜索符合正則表示式的部分 print matcher1.group(0)#打印出來 這個正則表示式
p1 = r"(?<=<h1>).+?(?=<h1>)"看到(?<=<h1>) 和 (?=<h1>)了嗎？第一個?<=表示在被匹配字元前必須得有<h1>，後面的?=表示被匹配字元後必須有<h1>
簡單來說，就是你要匹配的字元是XX，但必須滿足形式是AXXB這樣的字串，那麼你就可以這樣寫正則表示式
p = r"(?<=A)XX(?=B)"匹配到的字串就是XX。並且，向前查詢向後查詢不需要必須同時出現。如果你願意，可以只寫滿足一個條件。
所以你也不需要記住哪個是向前查詢，哪個是向後查詢。只要記住?<=後面跟著的是字首要求，?=後面跟的是字尾要求。
本質上來說，向前查詢和向後查詢其實是匹配整個字串，即AXXB，但返回時僅僅返回一個XX。也就是說，如果你願意，完全可以避開向前向後查詢的方式，直接匹配帶有前後綴的字串，然後做字串切片處理。
3.回溯引用
不同於前面的向前向後查詢，這一條有時候你未必繞的過去。在有些情況下，你還必須得用到回溯引用，所以你如果想擁有在實際應用中使用正則表示式，回溯引用是你應該瞭解和掌握的。
我們還是從最開始的例子來說。
你原本要匹配<h1></h1>之間的內容，現在你知道HTML有多級標題，你想把每一級的標題內容都提取出來。你也許會這樣寫：
p = r"<h[1-6]>.*?</h[1-6]>"這樣一來，你就可以將HTML頁面內所有的標題內容全部匹配出來。即<h1></h1>到<h6></h6>的內容都可以被提取出來。但是我們之前說過，寫正則表示式困難的不是匹配到想要的內容，而是儘可能的不匹配到不想要的內容。在這個例子中，很有可能你就會被下面這樣的用例玩壞。
比方說
<h1>hello world</h3>發現後面的</h3>了嗎？我們不管是怎麼寫出來這樣的標題的，但實實在在的是我們的正則表示式同樣會把這裡面的hello world匹配出來。這時候就是回溯引用的重要作用。下面就是一個示例：
import re
key = r"<h1>hello world</h3>"
p1 = r"<h([1-6])>.*?</h\1>"
pattern1 = re.compile(p1)
m1 = re.search(pattern1,key)
print m1.group(0)#這裡是會報錯的，因為匹配不到，你如果將源字串改成</h1> 結尾就能看出效果看到\1了嗎？原本那個位置應該是[1-6]，但是我們寫的是\1，我們之前說過，轉義符\乾的活就是把特殊的字元轉成一般的字元，把一般的字元轉成特殊字元。普普通通的數字1被轉移成什麼了呢？在這裡1表示第一個子表示式，也就是說，它是動態的，是隨著前面第一個子表示式的匹配到的東西而變化的。比方說前面的子表示式內是[1-6]，在實際字串中找到了1，那麼後面的\1就是1，如果前面的子表示式在實際字串中找到了2，那麼後面的\1就是2。
類似的，\2,\3,....就代表第二個第三個子表示式。
所以回溯引用是正則表示式內的一個“動態”的正則表示式，讓你根據實際的情況變化進行匹配。
原文 http://www.cnblogs.com/chuxiuhong/p/5907484.html