正则表达式是个魔鬼，也是个天使。在你没有掌握它之前，它是魔鬼，在你掌握它后，它是天使，但是，时不时还是要跳出来，给你调皮捣蛋一番。
一个正则表达式就是由普通字符以及特殊字符组成的文字模式，该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配，并能提取出匹配的结果。它是搜索、替换和解析复杂字符模式的一种强大而标准的方法。
正则表达式有着总体规范的一套语法，但是到了各种语言中，又会有使用上的稍微不同，主要是表达式的细微语法表达，还有语言的匹配类和方法的不同。
Python的所有类库都在re包中，和java 1.4以后的不同，String的各个方法，find和replace都不自做主张的去使用正则表达式，而是使用简单的字符串方式。这点我比较欣赏，有时候只是做一些简单的替换，不要弄正则表达式这么麻烦，也让新手们摸不着北，替换两个字符就要去了解正则表达式这么夸张。
工具
Python有一个非常好的正则表达式辅助调试工具：Kodos。有Windows版本，提供了对正则表达式的方便的实时调试功能，建议学习正则表达式前一定要下载：
http://kodos.sourceforge.net/
应用场景：
- 转换url为路径名
articleUrl = "http://pp.sohu.com/yule/photoview-44789795.html#44789795"
path = re.sub("http://|https://", "", articleUrl)
path = re.sub("[?&.=#-]", "_", path)
path
'pp_sohu_com/yule/photoview_44789795_html_44789795'
采用这种替换方式，随时发现url中有新非法字符，添加到[]中就可以了。[]表示字符集，在[]其中的任意字符，都会被匹配到
2. 提取html页面中img标签的src属性
import urllib
imgSrcPattern
= r'''<img/s*src/s*="?(/S+)"?'''pageUrl = 'http://pp.sohu.com/yule/photoview-44789795.html#44789795'
usock = urllib.urlopen(pageUrl)
s = usock.read()
usock.close()
imgSrcs
= re.findall(imgSrcPattern, s)imgSrcs
['http://js.pp.sohu.com/ppp/pp2/style/images/logo.gif"', 'http://js.pp.sohu.com/ppp/pp2/style/images/both.gif"']
这个img的src模式是清风写的，借用一下。很方便的就把一个很大的html页面字符串，匹配出所有的img的src属性了
Python用法：
- 正则对象（re object)
-
- search(): 最常用的，返回一个匹配对象(Match Object)
- match()：类似search，但仅仅从文字的开始进行匹配；
- split()：分割一个string，返回字符串的数组
- findall()：找到所有的匹配字符串的清单(list)
- finditer()：类似findall，返回匹配对象(Match Object)的iteration
- sub(): 字符串替换
- subn(): 类似sub, 但是同时返回替换的数量
- re是个非常强大的对象，很多功能，根本不用调用其它类和方法，re的一个方法就搞定了，充分体现python小巧灵活的特点。
- sub和subn都可以加上一个替换个数的参数，指定替换多少个match，0为全部替换
-
imgSrcPattern = r'''<img/s*src/s*="?(/S+)"?'''
imgSrcs = re.findall(imgSrcPattern, s)
- 编译对象（compile object）
编译的好处是提高速度，如果一个固定正则表达式将会被反复调用多次，那么先compile之后再用，将能够提高效率。
它的接口和re基本一模一样，就是不用加正则表达式的pattern参数了。
compile_obj.sub(matchText, "_")
- 匹配对象(match Object): 匹配的结果
-
- group(): 得到匹配的字符串组。这个函数非常灵活，可传递组的编号、范围、名字等。
- start(), end(), span(): 匹配字符串的起始、中止、范围
- groups(): 返回所有的子组
注意,无论match还是search,都是得到一个match对象而已，如果要获得所有的match对象，必须使用finditer方法，获得一个 match对象集合 的iteration，然后遍历，获得单独的match对象，再调用上述的方法。
match_obj = compile_obj.search(matchstr)
all_groups = match_obj.groups()
group_1 = match_obj.group(1)
src = match_obj.group('src')
难点：
1。组(Group)
组或者不是每种支持正则表达式的语言都支持的,或者说,即便支持,语法区别也很大，暂时没研究其它语言的，稍后研究一下java，不过可以确定java也是支持组，只不过好像不支持组的命名。
Python的组支持很好，基本的组模式当然都支持，组的命名功能很强大。
(?P<name>...)
例如(?P<id>[a-zA-Z_]/w*)，这样，所有匹配[a-zA-Z_]和/w*的对象就会被匹配到，然后存在以id为名的 group里面，可以通过match对象的m.group('id')或者m.group(1)获得。
(?P=name)
等于是对name匹配结果的引用，提供了一定程度上的动态正则表达式功能。
例如(?P<id>[a-zA-Z_]/w*)........(?P=id)，在第一个匹配结果中，id的结果是John,正则表达式就变成了
(?P<id>[a-zA-Z_]/w*)........John
第二个匹配结果，id为Andy，那么正则表达式就变成了
(?P<id>[a-zA-Z_]/w*)........Andy
2。贪婪(Greedy)
对数量词(*，？，+)的一个限制，如果没有加上？限制修饰符号，那么就会尽可能多的匹配字符
<H1>title</H1>
<.*>会匹配<H1>title</H1>，而<.*?>只会匹配<H1>,其实两种匹配结果都是合理的,关键就是加上?后,结果就是最小匹配值,而不加的话,默认就是最大匹配值
基本语法：
（）
[]
用来表示一组字符集，常用模式。字符可以单独列出，或者用"-"分开两个字符，表示一个范围内的字符集。
特殊字符在字符集内无效。例如
[akm$]，就会匹配任何"a", "k", "m", 或者 "$"
[a-z]就会匹配所有的小写字母
[a-zA-Z0-9]就会匹配任何字母或者数字
字符类型在字符集内有效,例如/w或者/S
如果要匹配]和-字符,或者用/处理,或者放在第一位
^
很常见的符号，两种含义。
在[]外表示要求匹配字符串的开始，和$刚好相反。在[]内表示排除所有匹配到的结果，不过一定要放在第一位，否则就是一个普通字符了。
^abc.*abc$: 表示匹配以abc开头，由以abc结束的字符串
{}
长度修饰符
{n,m} 表示长度在n-m之间
{m} 等于{0,m}
* {0, n}
? {0, 1}
+ {1, n}
.
任意字符
/
转义字符，对于很多的特殊符号，例如：/,[,],^,",如果要匹配原来的文字，都要用/表示转义。但是对于下面的特殊字符，则有不同意思。
这些特殊的预定义字符，都要和文字或者数量词搭配。例如
/d* 表示任意长度的数字
/S* 表示任意长度的非空字母
/A
匹配字符串开始
/Z
匹配字符串结束
/b
匹配在开头和结尾的空白的空字符串
/B
匹配不在开头或者结尾的空白字符串
/d
匹配数字[0-9]
/D
匹配非数字[^0-9]
/s
匹配空白字符
/S
匹配非空白字符
/w
匹配字母和数字
/W
匹配非字母和数字
参考网站：
Python手册
http://docs.python.org/lib/module-re.html
Dive Into Python
http://diveintopython.org/regular_expressions/index.html
Python手册
http://docs.python.org/lib/module-re.html
潘俊勇的Blog
http://czug.org/blog/panjy/python-rx
清风练习贴
http://www.javaeye.com/article/10115