正则表达式——捕获组用法（示例 + 解释）

基础概念

• 分组和捕获：

• 小括号 () 用于分组。分组不仅可以将多个字符视为一个整体，还可以捕获匹配的子字符串。
• 例如，正则表达式 (abc) 会匹配并捕获字符串 "abc"。

• 捕获组：

• 每一对括号会创建一个捕获组。
• 捕获组会被自动编号，编号从1开始。组0是整个正则表达式的匹配结果。
• 可以使用反向引用引用捕获组，例如 \1 引用第一个捕获组。

---

捕获组的初级用法——First

捕获组的具体功能

• 捕获和引用：

  • 可以在匹配后使用 group(n) 方法获取第 n 个捕获组的内容。例如，re.search(r'(\d+)', '123abc').group(1) 会返回 "123"。
  • 捕获组可以在正则表达式中被反向引用。例如，(\d+)\s\1 匹配两个相同的数字序列，中间有一个空格。

import re

pattern = r'(\d+)-(\d+)-(\d+)'
text = "2024-05-23"
match = re.match(pattern, text)
if match:
    print(match.group(0))  # 整个匹配 "2024-05-23"
    print(match.group(1))  # 第一个捕获组 "2024"
    print(match.group(2))  # 第二个捕获组 "05"
    print(match.group(3))  # 第三个捕获组 "23"

---

• 非捕获组：

  • 使用 (?:...) 可以创建非捕获组。这种分组不会捕获匹配的子字符串，不会创建编号的组，但仍然会对模式进行分组。
  • 例如，(?:abc) 匹配 "abc"，但不会捕获它。

import re

pattern = r'(?:abc)+'
text = "abcabc"
match = re.match(pattern, text)
if match:
    print(match.group(0))  # "abcabc"

---

• 命名捕获组：

  • 使用 (?P<name>...) 可以创建命名捕获组。
  • 可以使用名字来引用捕获组，而不是数字。
  • 例如，(?P<word>\w+) 可以通过 group('word') 获取匹配的内容。

import re

pattern = r'(?P<year>\d+)-(?P<month>\d+)-(?P<day>\d+)'
text = "2024-05-23"
match = re.match(pattern, text)
if match:
    print(match.group('year'))  # "2024"
    print(match.group('month'))  # "05"
    print(match.group('day'))    # "23"

---

• 后向引用：

  • 后向引用指的是在正则表达式中引用之前捕获的组。
  • 使用反斜杠加组号 \1 引用第一个捕获组，\2 引用第二个捕获组，以此类推。

import re

pattern = r'(\b\w+\b) \1'
text = "hello hello"
match = re.search(pattern, text)
if match:
    print(match.group(0))  # "hello hello"

---

捕获组的应用场景

• 数据提取：

  • 从文本中提取特定格式的数据，例如日期、时间、URL、电子邮件地址等。

• 数据验证：

  • 验证输入数据的格式是否正确，例如电话号码、邮政编码等。

• 文本替换：

  • 使用捕获组和反向引用可以在替换操作中重用部分匹配的文本。

• 复杂模式匹配：

  • 捕获组可以帮助处理复杂的模式，例如嵌套结构、递归模式等。

---

捕获组的高级用法——Second

• 嵌套捕获组：

  • 捕获组可以嵌套使用，组号是按照左括号的出现顺序分配。

import re

pattern = r'((\d{4})-(\d{2})-(\d{2}))'
text = "2024-05-23"
match = re.match(pattern, text)
if match:
    print(match.group(0))  # "2024-05-23" (整体匹配)
    print(match.group(1))  # "2024-05-23" (第一个捕获组)
    print(match.group(2))  # "2024" (第二个捕获组)
    print(match.group(3))  # "05" (第三个捕获组)
    print(match.group(4))  # "23" (第四个捕获组)

---

• 后向引用的高级用法：

  • 后向引用可以在正则表达式中多次引用捕获组，用于匹配重复的模式

import re

pattern = r'<(\w+)>(.*?)</\1>'
text = "<div>Content</div>"
match = re.match(pattern, text)
if match:
    print(match.group(0))  # "<div>Content</div>"
    print(match.group(1))  # "div"
    print(match.group(2))  # "Content"

---

• 条件匹配：

  • 条件匹配可以基于捕获组是否匹配来决定使用哪种模式。条件匹配的语法是 (?(id/name)yes-pattern|no-pattern)

import re

pattern = r'(\d{3})?(\d{3})-(\d{4})(?(1)-(\d{4}))'
text = "123-456-7890"
match = re.match(pattern, text)
if match:
    print(match.group(0))  # "123-456-7890"
    print(match.group(1))  # None
    print(match.group(2))  # "123"
    print(match.group(3))  # "456"
    print(match.group(4))  # "7890"

---

• 非贪婪匹配：

  • 捕获组默认是贪婪的，尽可能多地匹配字符。可以使用 ? 将其转换为非贪婪匹配

import re

pattern = r'<(.*?)>'
text = "<div>Content</div>"
match = re.match(pattern, text)
if match:
    print(match.group(0))  # "<div>"
    print(match.group(1))  # "div"

---

• 特殊情况处理：

  • 转义字符

    在捕获组中，某些字符（如 (, ), [, ], {, }, \, ^, $, |, ?, *, +, .）需要转义

  • import re
    
    pattern = r'\((\d+)\)'
    text = "(123)"
    match = re.match(pattern, text)
    if match:
        print(match.group(1))  # "123"
    

  • 忽略大小写

    可以使用 're.IGNORECASE' 标志来忽略大小写

  • import re
    
    pattern = r'(?i)abc'
    text = "ABC"
    match = re.match(pattern, text)
    if match:
        print(match.group(0))  # "ABC"
    

  • 多行匹配

    可以使用 're.MULTILINE' 标志，使 ^ 和 $ 匹配每一行的开头和结尾

  • import re
    
    pattern = r'^(.*)$'
    text = "First line\nSecond line"
    matches = re.findall(pattern, text, re.MULTILINE)
    print(matches)  # ['First line', 'Second line']