正則表示式（二）——進階之匹配分組
這部分我將換種形式來講述，結合實際問題需求來講述。
3.匹配分組
| 字元 | 功能 |
| | | 匹配左右任意一個表示式 |
| (ab) | 將括號中的字元作為一個分組 |
| \num | 引用分組num匹配到的字串 |
| (?P<name>) | 分組起別名 |
| (?P=name) | 引用別名為name分組匹配到的字串 |
1）|
需求：匹配出0-100之間的數字
分析：首先我們明確這之間的數字包含0，兩位數，100,，也就是一位，兩位，三位的可能都有，鑑於一位0，三位100都是單獨數字，我們可以使用 | 來連線（相當於or），著重考慮一位數[1-9]，兩位數[10-99]，分析其特徵，這裡第一位數必須為[1-9]，第二位[0-9]都可以（\d可以表示），對於一位數[1-9]的第二位可以不出現（？可以表示），再加個結尾$，防止234匹配到23的情況。因此正則表示式為：
r'[1-9]\d?$|0$|100$'>>> re.match(r'[1-9]\d?$|0$|100$','08') None >>> re.match(r'[1-9]\d?$|0$|100$','0') <_sre.SRE_Match object; span=(0, 1), match='0'> >>> re.match(r'[1-9]\d?$|0$|100$','100') <_sre.SRE_Match object; span=(0, 3), match='100'> >>> re.match(r'[1-9]\d?$|0$|100$','101') None >>> re.match(r'[1-9]\d?$|0$|100$','80') <_sre.SRE_Match object; span=(0, 2), match='80'>我們再看下0能不能不用 | ，也把它包含進去？答案of course。想想 0 ，它是[1-9]不出現，第二位\d也不出現的情況，因此第一位[1-9]選擇性出現用 ? ，因此正則表示式為：
r'[1-9]?\d?$|100$'>>> re.match(r'[1-9]?\d?$|100$','0') <_sre.SRE_Match object; span=(0, 1), match='0'>這樣的話，| 的功能是不是清楚了......
2）(ab) 將括號中的字元作為一個分組
需求 ：在網頁開發或者爬蟲時，處理物件是HTML，比如某網頁HTML中有這樣的內容：<h1>我的CSDN</h1>。那麼我該如何把<h1>content</h1>中的content提取出來呢？
分析：提取的內容用()括起來就可以了。<h1> </h1>是固定標籤，這是不變的，變的是content，因此我的正則表示式可表示為：
r'<h1>(.*)</h1>'>>> re.match(r'<h1>(.*)</h1>','<h1>我的CSDN</h1>') <_sre.SRE_Match object; span=(0, 15), match='<h1>我的CSDN</h1>'>可以完美的匹配到了，問題還沒解決，我怎麼提取出來content呢。其實group()函式是可以接受引數的，其引數的意義是你的()個數的索引，比如你輸入reslut.group(1)得到的是第一個括號的內容。reslut.group(0)是匹配到的所有內容，預設為0，所以你不輸入，預設為0，返回匹配內容。Match Object還有個groups()函式，它返回的是所有括號的內容。如下所示：
>>> result = re.match(r'<h1>(.*)</h1>','<h1>我的CSDN</h1>') #變數儲存 >>> result.group() #預設0，返回匹配內容 '<h1>我的CSDN</h1>' >>> result.group(0) #輸入0，返回匹配內容 '<h1>我的CSDN</h1>' >>> result.group(1) #返回第1個括號內容 '我的CSDN' >>> result.groups() ('我的CSDN',)我們看看兩個括號的情況：
>>> result = re.match(r'<span>(\d+)</span><h1>(.*)</h1>','<span>1234</span><h1>我的CSDN</h1>') >>> result <_sre.SRE_Match object; span=(0, 32), match='<span>1234</span><h1>我的CSDN</h1>'> >>> result.group(1) '1234' >>> result.group(2) '我的CSDN' >>> result.groups() ('1234', '我的CSDN')所以說，()在網頁開發，爬蟲裡還是挺重要的......學會它
3）\num 引用分組num匹配到的字串
需求 ：還是以網頁為例，比如判斷某網頁HTML格式是否正確，其中有內容：<html><h1>我的CSDN</h1></html>。這時，我們不關心裡面的內容，我們關心的是格式是否正確，就是說這樣的格式：<html>標籤必須有</html>結束，<h1>標籤必須有</h1>結束。
分析：這個時候像html和h1才是關鍵內容，如果我們把這些用()儲存起來，並且在後面一定對應這些內容，就能保證標籤的配對，而\num就是解決這樣的問題的，上面group裡面的引數index指的是第index個括號內容，\index即取得它的內容
1. 首先我們看個錯誤的樣例：
>>> s = '<html><h1>my csdn</h1></html>' >>> re.match(r'<.+><.+>.+</.+></.+>',s) #關注html和h1這些內容， .+ 表示至少有內容 <_sre.SRE_Match object; span=(0, 29), match='<html><h1>my csdn</h1></html>'> >>> s = '<html><h1>my csdn</h1></h>' '''把s後面的html改成h，明顯格式不對，但還是匹配了''' >>> re.match(r'<.+><.+>.+</.+></.+>',s) <_sre.SRE_Match object; span=(0, 26), match='<html><h1>my csdn</h1></h>'>我們應該讓第一個<tag>的內容出現在最後</tag>中，因此需要儲存起來，用()括起來
2.正確的方法
我們應該把<tag>用()括起來，變成<(tag)>，因此正則表示式為：
r'<(.+)><(.+)>.+</\2></\1>'解釋下，這個\2 和 \1。這個就是我們上面groups()中的內容索引，可以拿到內容
>>> s = '<html><h1>my csdn</h1></h>' #錯誤的標籤格式 >>> re.match(r'<(.+)><(.+)>.+</\2></\1>',s) #此時不符合了 None >>> s = '<html><h1>my csdn</h1></html>' #正確的標籤格式 >>> result = re.match(r'<(.+)><(.+)>.+</\2></\1>',s) >>> result <_sre.SRE_Match object; span=(0, 29), match='<html><h1>my csdn</h1></html>'> >>> result.groups() #那麼 \2 指的是'h1' ; \1 指的是'html' ('html', 'h1')
4）(?P<name>) 分組起別名 和 (?P=name) 引用別名
需求 ：上面我們已經可以通過\num取得對應的內容用以限定前面的內容，但是如果我有100個括號，那我們就只能數括號的索引index，然後把用\index取得麼？答案：當然不是。
分析：這時候取別名(?P<name>)就派上用場了，它通過對括號裡的內容取別名，然後通過(?P=name)就可以取得對應的內容，你只要記住別名name，這樣就不用去數括號，記索引了。是不是很人性化......
這個語法是：在括號裡面同時寫上取的別名，以<>命名；引用時以=取得別名，所以該正則表示式為：
r'<(?P<key1>.+)><(?P<key2>.+)>.+</(?P=key2)></(?P=key1)>'>>> s = '<html><h1>my csdn</h1></h>' #不正確的格式 >>> result = re.match(r'<(?P<key1>.+)><(?P<key2>.+)>.+</(?P=key2)></(?P=key1)>',s) None >>> s = '<html><h1>my csdn</h1></html>' #正確的格式 >>> result = re.match(r'<(?P<key1>.+)><(?P<key2>.+)>.+</(?P=key2)></(?P=key1)>',s) >>> result <_sre.SRE_Match object; span=(0, 29), match='<html><h1>my csdn</h1></html>'> >>> result.groups() ('html', 'h1')當然此時，你使用\num也是可以的，記住：(?P<name>)只是起了個別名，系統儲存了別名，你不用也沒關係，\num還是可以用的。看下圖，還是可以用\1來表示第一個內容。
>>> s = '<html><h1>my csdn</h1></html>' >>> result = re.match(r'<(?P<key1>.+)><(?P<key2>.+)>.+</(?P=key2)></\1>',s) >>> result <_sre.SRE_Match object; span=(0, 29), match='<html><h1>my csdn</h1></html>'>
先放個表格：
| 函式 | 描述 |
|---|---|
| compile(pattern，flags= 0) | 使用任何可選的標記來編譯正則表示式的模式，然後返回一個正則表示式物件 |
| match(pattern，string，flags=0) | 嘗試使用帶有可選的標記的正則表示式的模式來匹配字串。如果匹配成功，就返回匹配物件； 如果失敗，就返回 None |
| search(pattern，string，flags=0) | 使用可選標記搜尋字串中第一次出現的正則表示式模式。 如果匹配成功，則返回匹配物件； 如果失敗，則返回 None |
| findall(pattern，string[, flags] ) | 查詢字串中所有（非重複）出現的正則表示式模式，並返回一個匹配列表 |
| finditer(pattern，string[, flags] ) | 與 findall()函式相同，但返回的不是一個列表，而是一個迭代器。 對於每一次匹配，迭代器都返回一個匹配物件 |
| split(pattern，string，max=0) | 根據正則表示式的模式分隔符， split函式將字串分割為列表，然後返回成功匹配的列表，分隔最多操作 max 次（預設分割所有匹配成功的位置） |
| sub(pattern，repl，string，count=0) | 使用 repl 替換所有正則表示式的模式在字串中出現的位置，除非定義 count， 否則就將替換所有出現的位置（ 另見 subn()函式，該函式返回替換操作的數目） |
| purge() | 清除隱式編譯的正則表示式模式 |