详解 Python3 正则表达式

Posted 2020-09-20

本文翻译自：https://docs.python.org/3.4/howto/regex.html

博主对此做了一些批注和修改 ^_^

正则表达式介绍

正则表达式（Regular expressions 也称为 REs，或 regexes 或 regex patterns）本质是一个微小的且高度专业化的编程语言。它被嵌入到 Python 中，并通过 re 模块提供给程序员使用。使用正则表达式，你需要指定一些规则来描述那些你希望匹配的字符串集合。这些字符串集合可能包含英语句子、e-mail 地址、TeX 命令，或任何你想要的东东。

正则表达式模式被编译成一系列的字节码，然后由一个 C 语言写的匹配引擎所执行。对于高级的使用，你可能需要关注匹配引擎是如何执行给定的 RE，并通过一定的方式来编写 RE，以便产生一个可以运行得更快的字节码。本文暂不讲解优化的细节，因为这需要你对匹配引擎的内部机制有一个很好的理解。但本文的例子均是符合标准的正则表达式语法。

批注：Python 的正则表达式引擎是用 C 语言写的，所以效率是极高的。另，所谓的正则表达式，这里说的 RE，就是上文我们提到的 “一些规则”。

正则表达式语言相对较小，并且受到限制，所以不是所有可能的字符处理任务都可以使用正则表达式来完成。还有一些特殊的任务，可以使用正则表达式来完成，但是表达式会因此而变得非常复杂。在这种情况下，你可能通过自已编写 Python 代码来处理会更好些；尽管 Python 代码比一个精巧的正则表达式执行起来会慢一些，但可能会更容易理解。

批注：这可能是大家常说的 “丑话说在前” 吧，大家别管它，正则表达式非常优秀，它可以处理你 98.3% 的文本任务，一定要好好学哦~~~~

简单的模式

我们将从最简单的正则表达式学习开始。由于正则表达式常用于操作字符串，因此我们从最常见的任务下手：字符匹配。

字符匹配

大多数字母和字符会匹配它们自身。举个例子，正则表达式 Fanfan 将完全匹配字符串 “Fanfan”（你可以启用不区分大小模式，这将使得 Fanfan 可以匹配 “FANFAN” 或 “fanfan”，我们会在后边讨论这个话题）。

当然这个规则也有例外，有少数特殊的字符我们称之为元字符（metacharacter），它们并不能匹配自身，它们定义了字符类、子组匹配和模式重复次数等。本文用很大的篇幅专门讨论了各种元字符及其作用。

下边是元字符的完整列表（我们将在后边逐一讲解）：

. ^ $ * + ? {} [] \\ | ()

 批注：如果没有这些元字符，正则表达式就变得跟字符串的 find() 方法一样平庸了......

我们先来看下方括号 [ ]，它们指定一个字符类用于存放你需要匹配的字符集合。可以单独列出需要匹配的字符，也可以通过两个字符和一个横杆 - 指定匹配的范围。例如 [abc] 会匹配字符 a，b 或 c；[a-c] 可以实现相同功能。后者使用范围来表示与前者相同的字符集合。如果你想只匹配小写字母，你的 RE 可能写成 [a-z]。

需要注意的一点是：元字符在方括号中不会触发 “特殊功能”，在字符类中，它们只匹配自身。例如 [akm$] 会匹配任何字符 ‘a‘，‘k‘，‘m‘ 或 ‘$‘，‘$’ 是一个元字符，但在方括号它不表示特殊含义，它只匹配 ‘$‘ 字符本身。

你还可以匹配方括号中未列出的所有其它字符，做法是在类的开头添加一个脱字符号 ^，例如 [^5] 会匹配除了 ‘5‘ 之外的任何字符。

或许最重要的元字符当属反斜杠 \\ 了，跟 Python 的字符串规则一样，如果在反斜杠后边紧跟着一个元字符，那么元字符的 “特殊功能” 也不会被触发。例如你需要匹配符号 [ 或 \\，你可以在它们前面加上一个反斜杠，以消除它们的特殊功能：\\[，\\\\ 。

反斜杠后边跟一些字符还可以表示特殊的意义，例如表示十进制数字，表示所有的字母或者表示非空白的字符集合。

批注：反斜杠真牛逼，反斜杠后边跟元字符去除特殊功能，反斜杠后边跟着普通字符实现特殊功能。

让我们来举个例子：\\w 匹配任何单词字符。如果正则表达式以字节的形式表示，这相当字符类 [a-zA-Z0-9_]；如果正则表达式是一个字符串，\\w 会匹配所有 Unicode 数据库（unicodedata 模块提供）中标记为字母的字符。你可以在编译正则表达式的时候，通过提供 re.ASCII 表示进一步限制 \\w 的定义。

批注：re.ASCII 标志使得 \\w 只能匹配 ASCII 字符，不要忘了，Python3 是 Unicode 的。

下边列举一些反斜杠加字符构成的特殊含义：

特殊字符	含义
\\d	匹配任何十进制数字，相当于类[0-9]
\\D	与 \\d 相反，匹配任何非十进制数字的字符，相当于 [^0-9]
\\s	匹配任何空白字符（包含空格、换行符、制表符等），相当于类 [\\t\\n\\r\\f\\v]
\\S	与 \\s 相反，匹配任何非空白字符，当相于类 [^\\t\\n\\r\\f\\v]
\\w	匹配任何单词字符，见上方解释
\\W	与 \\w 相反
\\b	匹配单词的开始或结束
\\B	与 \\b 相反

它们可以包含在一个字符类中，并且一样拥有特殊含义。例如 [\\s,.] 是一个字符类，它将匹配任何空白字符（/s 的特殊含义），‘,‘ 或 ‘.’ 。

最后我们要讲的一个元字符是 .，它匹配除了换行符以外的任何字符。如果设置了 re.DOTALL 标志，. 将匹配包括换行在内的任何字符。

重复的事情

使用正则表达式能够轻松的匹配不同的字符集合，但 Python 字符串现有的方法却无法实现。然而，如果你认为这是正则表达式的唯一优势，那你就 too young too native 了。正则表达式有另一个强大的功能，就是你可以指定 RE 部分被重复的次数。

我们来看看 * 这个元字符，当然它不是匹配 ‘*‘ 字符本身（我们说过元字符都是有特殊能力的），它用于指定前一个字符匹配零次或者多次。

例如 ca*t 将匹配 ct（0 个字符 a），cat（1 个字符 a），caaat（3 个字符 a），等等。需要注意的是，由于受到 C 语言的 int 类型大小的内部限制，正则表达式引擎会限制字符 ‘a‘ 的重复个数不超过 20 亿个；不过，通常我们工作也用不到那么大的数据。

正则表达式默认的重复规则是贪婪的，当你重复匹配一个 RE 时，匹配引擎会尝试尽可能多的去匹配。直到 RE 不匹配或者到了结尾，匹配引擎就会回退一个字符，然后再继续尝试匹配。

我们通过例子一步步的给大家讲解什么叫 “贪婪”：先考虑一下表达式 a[bcd]*b，首先需要匹配字符 ‘a‘，然后零个到多个 [bcd]，最后以 ‘b‘ 结尾。那现在想象一下，这个 RE 匹配字符串 abcbd 会怎样？

步骤	匹配	说明
1	a	匹配 RE 的第一个字符 ‘a‘
2	abcbd	引擎在符合规则的情况下尽可能地匹配 [bcd]*，直到该字符串的结尾
3	失败	引擎尝试匹配 RE 最后一个字符 ‘b’，但当前位置已经是字符串的结尾，所以失败告终
4	abcb	回退，所以 [bcd]* 匹配少一个字符
5	失败	再一次尝试匹配 RE 最后一个字符 ‘b‘，但字符串最后一个字符是 ‘b‘，所以失败告终
6	abc	再次回退，所以 [bcd]* 这次只匹配 ‘bc‘
7	abcb	再一次尝试匹配这符 ‘b‘，这一次字符串当前位置指向的字符正好是 ‘b‘，匹配成功

最终，RE 匹配的结果是 abcb 。

批注：正则表达式默认的匹配规则是贪婪的，后边有教你如何使用非贪婪的方法匹配。

另一个实现重复的元字符是 +，用于指定前一个字符匹配一次或者多次。

要特别注意 * 和 + 的区别：* 匹配的是零次或者多次，所以被重复的内容可能压根儿不会出现；+ 至少需要出现一次。例如 ca+t 会匹配 cat 和 caaat，但不会匹配 ct 。

还有两个表示重复的元字符，其中一个是问号 ?，用于指定前一个字符匹配零次或者一次。你可以这么想，它的作用就是把某种东西标志位可选的。

最灵活的应该是元字符 {m,n}（m 和 n 都是十进制数），上边讲到的几个元字符都可以使用它来表达，它的含义是前一个字符必须匹配 m 次到 n 次之间。例如 a/{1,3}b 会匹配 a/b，a//b 和 a///b 。但不会匹配 ab（没有斜杠）；也不会匹配 a////b（斜杠超过三个）。

你可以省略 m 或者 n，这样的话，引擎会假定一个合理的值代替。省略 m，将被解释为下限 0；省略 n 则会被解释为无穷大（事实上是上边我们提到的 20 亿）。

批注：如果是 {,n} 相当于 {0,n}；如果是 {m,} 相当于 {m,正无穷}；如果是 {n}，则是重复前一个字符 n 次。另外还有一个超容易出错的是写成 {m, n}，看着挺美，但注意，正则表达式里边不能随意添加空格，不然会改变原来的含义。

最后，其实 * 、+ 和 ? 都可以使用 {m,n} 来代替。{0,} 跟 * 是一样的；{1,} 跟 + 是一样的；{0,1} 跟 ? 是一样的。不过还是鼓励大家记住并使用 * 、+ 和 ?，因为这些字符更短并且更容易阅读。

批注：还有一个原因是匹配引擎对 * + ? 做了优化，效率要更高些。

(本文完)

下一篇：详解 Python3 正则表达式（二）

如果你喜欢这篇文章，请通过下方「评论」给我鼓励哦 ^_^