http://www.blogjava.net/Skynet/archive/2009/05/02/268628.html

由于需求原因，需要匹配提取中文，大量google下，并没有我需要的。花了一个小时大概测试，此utf8中文通过，特留文。
参考： http://hi.baidu.com/nivrrex/blog/item/e6ccaf511d0926888d543071.html
http://topic.csdn.net/u/20070404/15/b011aa83-f9b7-43b3-bbff-bfe4f653df03.html

首先，确保所有编码都为 unicode
比如 str.decode('utf8') #从utf8文本中
u"啊l" #在控制台输出中
(罗嗦下)本想使用参考一定编码 Hex 但郁闷的是这每个字好像占2个位置，使用正则匹配无果。
其次，确定中文范围 : [\u4e00-\u9fa5]
(这里注意下 python 的re写的时候) 要 u" [\u4e00-\u9fa5]" #确定正则表达式也是 unicode 的
demo :

>>> print re.match(ur " [\u4e00-\u9fa5]+ " , 啊 )
None
)
< _sre.SRE_Matchobjectat 0x2a98981308 >

t )
None

tt
现在才明白
tt
' \xe7\x8e\xb0\xe5\x9c\xa8\xe6\x89\x8d\xe6\x98\x8e\xe7\x99\xbd '
re.match(r [\u4e00-\u9fa5] utf8 ))
None
))
0x2a955d9c60 .*[ u4e00 - u9fa5]+ hi,匹配到了 )
None

http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

Python正则表达式指南

本文介绍了Python对于正则表达式的支持，包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例。本文的内容不包括如何编写高效的正则表达式、如何优化正则表达式，这些主题请查看其他教程。

注意：本文基于Python2.4完成；如果看到不明白的词汇请记得百度谷歌或维基，whatever。

尊重作者的劳动，转载请注明作者及原文地址 >.<html

1. 正则表达式基础

1.1. 简单介绍

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

下图展示了使用正则表达式进行匹配的流程：

正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。

下图列出了Python支持的正则表达式元字符和语法：

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。

1.3. 反斜杠的困扰

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\"表示。同样，匹配一个数字的"\\d"可以写成r"\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

1.4. 匹配模式

正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern[,flags])中一起介绍。

2. re模块

2.1. 开始使用re

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

 
            # encoding: UTF-8 
           
            import 
            re 
           
            # 将正则表达式编译成Pattern对象 
           
            pattern  
            = 
            re. 
            compile 
            (r 
            'hello' 
            ) 
           
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None 
           
            match  
            pattern.match( 
            'hello world!' 
            ) 
           
            if 
            match: 
           
            # 使用Match获得分组信息 
           
            print 
            match.group() 
           
            ### 输出 ### 
           
           @H_317_301@# hello

re.compile(strPattern[,flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern',re.I | re.M)与re.compile('(?im)pattern')是等价的。
可选值有：

re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
S(DOTALL): 点任意匹配模式，改变'.'的行为
L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

 
            4 
            
         a  
            (r"""\d + # the integral part 
            \. # the decimal point 
           
\d * # some fractional digits""" 
            ,re.X) 
           
            b  
            "\d+\.\d*" 
            )

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

 
            2 
            
         m  
            re.match(r) 
            m.group()

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

2.2. Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

group([group1,…]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
start([group]):
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
end([group]):
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
span([group]):
返回(start(group),end(group))。
expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

 
            15 
          
            16 
          
            17 
          
            18 
          
            19 
          
            20 
          
            21 
          
            22 
          
            23 
          
            24 
          
            25 
          
            26 
          
            27 
          
            28 
          
            29 
          
            30 
          
            31 
          
            32 
          
         re 
            '(\w+) (\w+)(?P<sign>.*)' 
            ) 
           
            print 
            "m.string:" 
             
            "m.re:" 
             
            "m.pos:" 
            "m.endpos:" 
             
            "m.lastindex:" 
            "m.lastgroup:" 
            
           "m.group(1,2):" 
            1 
            2 
            ) 
           
            "m.groups():" 
            "m.groupdict():" 
             
            "m.start(2):" 
            ) 
           
           "m.end(2):" 
            ) 
           
            "m.span(2):" 
            ) 
           
r 
            "m.expand(r'\2 \1\3'):" 
            '\2 \1\3' 
            ) 
           
### output ### 
           
            # m.string: hello world! 
           
# m.re: <_sre.SRE_Pattern object at 0x016E1A38> 
           
            # m.pos: 0 
           
# m.endpos: 12 
           
            # m.lastindex: 3 
           
# m.lastgroup: sign 
           
            # m.group(1,2): ('hello','world') 
           
# m.groups(): ('hello','world','!') 
           
            # m.groupdict(): {'sign': '!'} 
           
# m.start(2): 6 
           
            # m.end(2): 11 
           
# m.span(2): (6,11) 
           
            # m.expand(r'\2 \1\3'): world hello!

2.3. Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

 
            13 
            
         p  
            "p.pattern:""p.flags:""p.groups:""p.groupindex:"
              
           ### output ### 
           
            # p.pattern: (\w+) (\w+)(?P<sign>.*) 
           
# p.flags: 16 
           
            # p.groups: 3 
           
# p.groupindex: {'sign': 3}

实例方法[ | re模块方法]：

match(string[,pos[,endpos]]) | re.match(pattern,string[,flags]):
这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。
示例参见2.1小节。

search(string[,endpos]]) | re.search(pattern,flags]):
这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

 
              # encoding: UTF-8  
             
              import 
              re  
             
              # 将正则表达式编译成Pattern对象  
             
              pattern  
              = 
              re. 
              compile 
              (r 
              'world' 
              )  
             
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None  
             
              # 这个例子中使用match()无法成功匹配  
             
match  
              pattern.search( 
              'hello world!' 
              )  
             
              if 
              match:  
             
              # 使用Match获得分组信息  
             
              print 
              match.group()  
             
             @H_317_301@### 输出 ###

# world

split(string[,maxsplit]) | re.split(pattern,maxsplit]):
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

 
              7 
              
           re 
              
p  
              '\d+' 
              ) 
             
              p.split( 
              'one1two2three3four4' 
              ) 
             
              ### output ### 
             
# ['one','two','three','four','']

findall(string[,endpos]]) | re.findall(pattern,flags]):
搜索string，以列表形式返回全部能匹配的子串。

p.findall(# ['1','2','3','4']

finditer(string[,endpos]]) | re.finditer(pattern,flags]):
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

 
              8 
              
           ) 
              
              for 
              m  
              in 
              p.finditer( 
              ): 
             
m.group(), 
             
### output ### 
             
              # 1 2 3 4

sub(repl,count]) | re.sub(pattern,repl,count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count用于指定最多替换次数，不指定时全部替换。

'(\w+) (\w+)' )

s = 'i say,hello world!'

p.sub(r '\2 \1'

return m.group( 1 ).title() + ' ' + 2 ).title()

p.sub(func,s)

### output ###

# say i,world hello!

@H_317_301@# I Say,Hello World!

subn(repl,count]) |re.sub(pattern,count]):
返回 (sub(repl,count]),替换次数)。

p.subn(rp.subn(func,0)!important; background:none!important"># ('say i,world hello!',2) @H_317_301@# ('I Say,Hello World!',2)

以上就是Python对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^

另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下，如何匹配不是以abc开头的单词，^_^

全文结束

正则资料