正则表达式基础教程-优快云博客

正则表达式
正则表达式实质就是一串用来匹配相关文本的表达式

正则表达式的四种功能
为什么使用正则表达式？我们知道，在程序处理中，经常涉及文本处理，在这样一个恶劣的生存领域，除了正则表达式和更高级的parser技术外，可以说别无利器。有了正则表达式，就意味着你有了四大基本功能：
1. 检验相关文本段是否存在
2.从资源中提取相关文本段
3.从资源中分割相关文本段
4. 替换资源中的相关文本段
可以看出，功能2和功能3是有点重复的，事实上，这几个功能都重复。。因为正则表达式核心功能就是" 文本匹配"，对于文本的其他操作都可以基于匹配实现。要掌握这把利器，需要循序渐进地练习，但更多情况下，吓吓坏人，懂得"挥两下"就好了，

快速建立学习的框架

正则表达式处理的文本是由一个个字符构成的，最基本的操作当然也是针对单个字符的，这是框架的第一条主线。对多个字符同时进行操作，涉及到分组的概念，这是框架的第二条主线。

第一条主线：

元字符与普通字符 --> 字符组 --> 排除型字符组 --> 量词 --> 贪婪与懒惰

第二条主线：

分组 --> 多选结构 --> 引用分组 --> 命名分组

小分支：

锚点

以上是我归纳的有关正则表达式的学习路线，属于一次性可接纳吸收的知识，若只是需要“挥两下”正则表达式，这就足够了。接下来开始正文！

1.1元字符与普通字符
正则表达式是由元字符和普通字符构成的。元字符用来实现一些特殊的功能，普通字符则用来匹配文本字符。关于正则表达式有什么元字符，你可以在《正则表达式元字符及说明》找到答案，这里就不再啰嗦了。
如果你想匹配某个字符，就在正则表达式中敲上那个字符，但如果你想匹配的字符，恰好是个元字符，那就需要转义。

转义只有一种方法，外加一种特殊情况（可以忽略）。这种方法就是使用转义符"\"，将元字符转成普通字符。这里列举了几种常见情况。

与元字符相关的转义
元字符相关的文本	转义方法
-	\-
*	\*
+	\+
?	\?
*?	\*\?
+?	\+\?
{n}	\{n}
{m,n}	\{m,n}
{m,}	\{m,}
{,n}	\{,n}
.	\.
[mn]	\[mn]

1.2字符组
字符组名字虽然带有“组”字，但实质还是单个字符。它的表达方式为[]，中间放东西，比如[0123456789]只匹配一个数字，代表0至9这十个数字都可以被匹配，也可以写出[783461250]，还可以用范围表示法表示，如[0-9]。此外字母也可以，如[a-z]，因为其本质都是ASCII码。若还想简化，可以使用字符组简记法\d替代[0-9]，各简记法如下表所示：

字符组简记法	等价记法
\d	[0-9]
\w	[0-9a-zA-Z]
\s	[ \t\r\n\v\f]
\D	除\d之外的所有字符
\W	除\w之外的所有字符
\S	除\s之外的所有字符

因而由上表可以得出另外一个结论，<<[\s\S]>>可以匹配任意一个字符，同理<<[\w\W]>>和<<[\d\D]>>也是

这里还有一点需要注意，<<.>>点号其实不能匹配任意字符，因为\n换行符是个例外，真正能匹配任意字符的，只有以上说的这种形式

1.3排除型字符组

关于排除型字符组，你只需要知道三个点：
1.排除型字符组是字符组的一种，用来排除一个不想匹配的字符。
2.写法为[^reg]，reg是你不想匹配的字符。
3.[^reg]是必须匹配一个字符的，只是不匹配你排除的字符而已。

1.4量词：

若想匹配多个相同的字符，如555555，当然可以继续用555555这个正则表达式来匹配，但更简单地是使用量词，如：5{6}可以替代555555。量词可以认为只有两种，一种是{}这样的，如下表所示：

量词	说明
｛n｝	之前的元素必须出现n次
｛n,m｝	之前的元素最少出现n次，最多出现m次
｛m,｝	之前的元素最少出现m次出现次数无上限
｛0,n}	之前的元素可以不出现但最多出现n次

另外一种叫量词简记法，如下表所示：

量词简记法	｛m,n}等价形式	说明
*	｛0,｝	可能出现，也可能不出现，出现次数无上限
+	｛1,｝	至少出现1次，出现次数没有上限
？	｛0,1｝	至多出现1次，也可能不出现

1.5贪婪及懒惰：
正则表达式一般是贪婪的，什么意思？贪婪指的是，它会尽可能使匹配的量词最大化，但也可以让它变得懒惰，即只要匹配到符合要求的了，就停止匹配，如：
贪婪：<<[/s/S]*ivan>> 去匹配字符串“My name is ivan, not that ivan”，它会匹配整个字符串"My name is ivan, not that ivan"
懒惰：<<[/s/S]*?ivan>> 去匹配字符串“My name is ivan, not that ivan”，则匹配"My name is ivan"
懒惰模式与贪婪模式的写法如下：

贪婪	懒惰
*	*?
+	+?
?	??
{m,n}	{m,n}?
{m,}	{m,}?
{,n}	{,n}?

由上表可以看出，写法只是在量词后面加?，但有一点需要强调，贪婪与懒惰并不会改变原来量词的限定次数，如+或+?，均代表前面的元素至少出现一次，且出现次数无上限。

------------------------------------------------------------------------------------累死我了，下面的星期天旅游回来再写------------------------------------------------------------------
2.1分组：

刚才讨论的都是针对单个字符的操作，若想扩展到多个字符的情况，那就需要用到分组的功能。分组很简单就是用()将想要一起操作的多个字符括起来。若想对分组作量词操作，可以在分组后面紧跟量词，如(ab2){3}，可以匹配ab2ab2ab2。当然除了量词操作外，还有几种针对分组的功能，常用的有：多选结构，引用分组，命名分组。

2.2多选结构：

表示方法就是(|)，括号内|左右可分别填入字符，如(reg1|reg2)。多选结构其实就是或的意思。需要注意的是，若文本里，reg1和reg2都能匹配，正则表达式会按照顺序从左到右匹配，因而这里将匹配到reg1，而不是reg2。如在文章里，用多选结构(河南|河南省)匹配相应的文本，则匹配出来的都将是“河南”，包括原本文章中“河南省”中的“河南”。

2.3引用分组：
正则表达式中一般会有多个分组，每个分组匹配完成后，正则表达式都会记录下这个分组匹配到的文本，这意味着，可以调用各个分组匹配到的文本。
引用分组的表达方法
表达形式就是\接数字，比如\3，即表示第3个文本匹配到的文本。一个正则表达式一般会有多个分组，有可能是嵌套分组，分组的编号，按照左括号，从左到右依次增加，如：

（（（\d{3}）-（\d{2}））-（\d{2}））

0 | | | | | | | | |

1 | | | | | | | | |

2 | | | | | | |

3 | | | | |

4 | | |

5 |

2.4命名分组：

除了按照编号引用分组外，你还可以命名分组，其结构如下图所述：

字符串： 2013 - 05 - 27

表达式：(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})

分组名： year month day

命名分组的表达式有很多，上面是Python的记法，用(?P<name>...)来分组。

根据编号或命名引用分组有什么作用呢？这里分别以匹配，替换及提取为例，说明如下：

操作	匹配字符串	正则表达式	结果	说明
匹配	shoot	([a-z])\1	oo	用于查找连续重叠字母。括号内[a-z]匹配第一个字母， \1用于反向引用，实现查找连续字母的功能
替换	2013-05-27	re.sub(r"(\d{4})-(\d{2})-(\d{2})", r"\2/\3/\1", "2013-05-27")	05/27/2013	re.sub()是Python与正则表达式相关的函数，它的第一个参数使用正则表达式匹配字符串，第二个参数使用引用分组进行替换操作，第三个参数是源字符串
提取	2012-03-14	re.search(r"(\d{4})-(\d{2})-(\d{2})", "2012-03-14").group(3)	14	re.search()同样是Python与正则表达式相关的函数，它的第一个参数使用正则表达式匹配字符串，第二个参数是源字符串，group(3)，代表提取的编码为3的分组，即/3