正则表达式 (学习笔记)

正则表达式的难度不在于难懂，而在于对它的表述没有恰当的分类和组织，所以弄得很零散难以记忆。按照自己的理解和归纳记录一份笔记，以备遗忘时查看。

正则表达式(regular expressions)是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

1. 匹配的字符内容：

Regular String	Explanation
\d	匹配一个数字 等价于[0-9]
\D	匹配一个非数字 等价于[^0-9]
\w	匹配一个字母或数字 等价于 [^A-Za-z0-9_] 实际是除了([0-9a-zA-Z_])还包含了希腊字母，俄文的字母等；所以 如果在用户信息注册的时候 需要注意 具体匹配的数据 切不可直接用\w就完事了 能不能匹配汉字要视你的操作系统和你的应用环境而定
\W	可以匹配一个非字母或数字 等价于[^a-zA-Z0-9_]
\s	可以匹配一个空格（也包括Tab等空白符）等价于 [ \f\n\r\t\v]
\S	匹配一个任何非空白字符。等价于 [^ \f\n\r\t\v]。
.	匹配除换行符以外的一个任意字符
[]	匹配集合中列出的一个字符
[^]	匹配集合中没有列出的一个字符
|	或表达式

例如：

• 00\d可以匹配007，但无法匹配00A；
• \d\d\d可以匹配010；
• \w\w\d可以匹配py3；
• py.可以匹配pyc、pyo、py!等等。
• [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线；
• A|B可以匹配A或B，所以(P|p)ython可以匹配Python或者python。

2. 匹配的次数

Regular String	Explanation
*	表示一次或者多次（0次、或1次、或多次）
+	表示至少一个字符（1次或多次）
?	表示0个或1个字符（0次、或1次）
{n}	表示n个字符
{n,m}	表示n-m个字符

例如：

• runoo+b，可以匹配 runoob、runooob、runoooooob 等，+ 号代表前面的字符必须至少出现一次（1次或多次）。
• runoo*b，可以匹配 runob、runoob、runoooooob 等，* 号代表前面的字符可以不出现，也可以出现一次或者多次（0次、或1次、或多次）。
• colou?r 可以匹配 color 或者 colour，? 问号代表前面的字符最多只可以出现一次（0次、或1次）。
• 一个复杂的例子：\d{3}\s+\d{3,8}，匹配010 12345这样的号码。
  • ：\d{3}表示匹配3个数字，例如010；
  • ：\s可以匹配一个空格（也包括Tab等空白符），所以\s+表示至少有一个空格，例如匹配’ '等；
  • ：\d{3,8}表示3-8个数字，例如1234567。
• [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如a100，0_Z，Py3000等等；
• [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；
• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。

3. 匹配的位置

Regular String	Explanation
^	匹配行的开头位置，不匹配任何字符
$	匹配行的结束位置，不匹配任何字符
\A	匹配字符串的开头位置，不匹配任何字符
\Z	匹配字符串的结束位置，不匹配任何字符
\b	匹配一个单词边界，也就是单词和空格之间的位置
\B	匹配一个非单词边界，与\b相反

例如：

• ^\d表示必须以数字开头。
• \d$表示必须以数字结束。

4. 匹配的分组提取

Regular String	Explanation
()	表示的就是要提取的分组（Group）

例如：

• ^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：

>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

5. 贪婪匹配

正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')

由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。
必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让\d+采用非贪婪匹配：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

参考文档

1.Regular Expression HOWTO
2.揭开正则表达式的神秘面纱