详解 Python3 正则表达式

Posted 2020-09-20

上一篇：详解 Python3 正则表达式（三）

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 ^_^

更多强大的功能

到目前为止，我们只是介绍了正则表达式的一部分功能。在这一篇中，我们学会到一些新的元字符，然后再教大家如何使用组来获得被匹配的部分文本。

更多元字符

还有一些元字符我们没有讲到，接下来博主一一为大家讲解。

有些元字符它们不匹配任何字符，只是简单地表示成功或失败，因此这些字符也称之为零宽断言。例如 \\b 表示当前位置位于一个单词的边界，但 \\b 并不能改变位置。因此，零宽断言不应该被重复使用，因为 \\b 并不会修改当前位置，所以 \\b\\b 跟 \\b 是没什么两样的。

批注：很多人可能不理解 “改变位置” 和 "零宽断言" 的意思？我尝试解释下，比如 abc 匹配完 a 之后，咱的当前位置就会移动，才能继续匹配  b，依次类推 ... 但是 \\babc 的话，\\b 表示当前位置在单词的边界（单词的第一个字母或者最后一个字母），这时候当前位置不会发生改变，接着将 a 与当前位置的字符进行匹配 ......

1. I

或操作符，对两个正则表达式进行操作。如果 A 和 B 是正则表达式，A | B 会匹配 A 或 B 中出现的任何字符。为了能够更加合理的式作，| 的优先级非常低。例如 Fa|n 应该匹配 Fa 或 n，而不是匹配 F，然后一个 ‘a‘ 或 ‘n‘。

同样，我们使用 \\| 来匹配 ‘|‘ 字符本身；或者包含在一个字符类中，像这样 [|] 。

2. ^

匹配字符串的起始位置。如果设置了 MULTILNE 标志，就会变成匹配每一行的起始位置。在 MULTILNE 中，每当遇到换行符就会立刻进行匹配。

举个例子，如果你只希望匹配位于字符串开头的单词 From，那么你的正则表达式可以写为 ^From：

3. $

匹配字符串的结束位置，每当遇到换行符也会离开进行匹配。

同样，我们使用 \\$ 来匹配 ‘$‘ 字符本身；或者包含在一个字符类中，像这样 [$] 。

4. \\A

只匹配字符串的起始位置，如果没有位置 MULTILINE 标志的时候，\\A 和 ^ 的功能是一样的；但如果设置了 MULTILNE 标志，则会有一些不同：\\A 还是匹配字符串的起始位置，但 ^ 会对字符串的每一行都进行匹配。

5. \\Z

只匹配字符串的结束位置。

6. \\b

单词边界，这是一个只匹配单词的开始和结尾的零宽断言。“单词” 定义为一个字母数字的序列，所以单词的结束指的是空格或者非字母数字的字符。

下边例子中，class 只有在出现一个完整的单词 class 时才匹配；如果出现在别的单词中，并不会匹配。

在使用这些特殊的序列的时候，有两点是需要注意的：第一点需要注意的是，Python 的字符串跟正则表达式在有些字符上是有冲突的（回忆之前反斜杠的例子）。比如说在 Python 中，\\b 表示的是退格符（ASCII 码值是 8）。所以，你如果不使用原始字符串，Python 会将 \\b 转换成退格符处理，这样就肯定跟你预期不一样了。

下边例子中，我们故意不写表示原始字符串的 ‘r‘，结果确实大相庭径：

第二点需要注意的是，在字符类中不能使用这个断言。跟 Python 一样，在字符类中，\\b 只是用来表示退格符。

7. \\B

另一个零宽断言，与 \\b 的含义相反，\\B 表示非单词边界的位置。

分组

通常在实际的应用过程中，我们除了需要知道一个正则表达式是否匹配之外，还需要更多的信息。对于比较复杂的内容，正则表达式 通常使用分组的方式分别对不同内容进行匹配。

下边的例子，我们将 RFC-822 头用 “:” 号分成名字和值分别匹配：

From: [email protected]
User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
MIME-Version: 1.0
To: [email protected]

像这种情况，我们就可以写一个正则表达式先来匹配一个整个 RFC-822 头，然后利用分组功能，使用一个组来匹配头的名字，另一个组匹配名字对应的值。

批注：RFC-822 是电子邮件的标准格式，当然到这里你还不知道分组要怎么分，不急，请接着往下看......

在正则表达式中，使用元字符 () 来划分组。() 元字符跟数学表达式中的小括号含义差不多；它们将包含在内部的表达式组合在一起，所以你可以对一个组的内容使用重复操作的元字符，例如 *，+，? 或者 {m,n} 。

例如，(ab)* 会匹配零个或者多个 ab：

 

使用 () 表示的子组我们还可以对它进行按层次索引，可以将索引值作为参数传递给这些方法：group()，start()，end() 和 span() 。序号 0 表示第一个分组（这个是默认分组，一直存在的，所以不传入参数相当于默认值 0）：

批注：有几对小括号就是分成了几个子组，例如 (a)(b) 和 (a(b)) 都是由两个子组构成的。

子组的索引值是从左到右进行编号，子组也允许嵌套，因此我们可以通过从左往磾来统计左括号 ( 来确定子组的序号。

group() 方法可以一次传入多个子组的序号：

批注：start() 是获得参数子组的开始位置；end() 是获得对应子组的结束位置；span() 是获得对应子组的范围。

我们还特么通过 groups() 方法一次性返回所有的子组匹配的字符串：

还有一个反向引用的概念需要介绍，反向引用指的是你可以在后面的位置使用先前匹配过的内容，用法是反斜杠加上数字。例如 \\1 表示引用前边成功匹配的序号为 1 的子组。

如果只是搜索字符串，反向引用不会被用到，因为很少有文本格式会这样来重复字符。但是，你很快会发现，在字符串替换的时候，反向引用是非常有用的（深井水）！

批注：注意，在 Python 的字符串中会使用反斜杠加数字的方式来表示数字的值对应的 ASCII 字符，所以在使用反向索引的正则表达式中，我们依然强调要使用原始字符串。

(本文完)

下一篇：详解 Python3 正则表达式（五）

如果你喜欢这篇文章，请通过下方「评分」给我鼓励哦 ^_^