正则表达式

正则表达式

正则表达式（称为RE，或正则，或正则表达式模式）本质上是嵌入在Python中的一种微小的、高度专业化的编程语言，Python通过标准库中的re模块来支持正则表达式。使用这种小语言，你可以为要匹配的可能字符串集指定规则；此集可能包含url，电子邮件地址，电话号码或你喜欢的任何内容。

正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。

1 元字符与特殊字符

1.1 元字符

大多数字符只会匹配自己。 例如，正则表达式 test 将完全匹配字符串 test；当然，你也可以启用一个不区分大小写（re.I）的模式，让这个正则匹配 Test 或 TEST。

>>> re.search('test','RE test')
<re.Match object; span=(3, 7), match='test'>
>>> re.search('test','RE Test')
>>> re.search('test','RE Test',re.I)
<re.Match object; span=(3, 7), match='Test'>
>>>

另一些字符是特殊的元字符，它们不匹配自己——它们表示应该匹配一些与众不同的东西，或者通过重复它们或改变它们的含义来影响正则的其他部分。

完整的元字符列表如下：

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

模式	描述
.	匹配除\n之外的任何字符
^	匹配字符串起始部分
$	匹配字符串终止部分
*	匹配0次或多次前面出现的正则表达式
+	匹配1次或多次前面出现的正则表达式
?	匹配0次或1次前面出现的正则表达式
{N}	匹配N次前面出现的正则表达式
{N, }	匹配至少N次前面出现的正则表达式
{N, M}	匹配N-M次前面出现的正则表达式
[...]	匹配来自字符集的任意单一字符
[^...]	不匹配此字符集中出现的任意一个字符
()	匹配括号内的表达式，也表示一个组
A|B	A和B可以是任意正则表达式，创建一个正则表达式，匹配 A或者B
\	转义特殊字符

（1）[]元字符

• [aeiou] 将匹配a、e 、i、o或u任意一个字符；

• []中可以使用-表示字符范围，如[0-9]， 表示匹配0-9中的任意一个数字；同理[a-z]或[A-F]；

• []字符集中的元字符不生效，如[$]，表示匹配$字符；虽然$是元字符，但在[]中$没有特殊性；

• [^aeiou]表示不匹配任何a、e 、i、o或u字符；

  >>> re.match('[aeiou]','abc')
  <re.Match object; span=(0, 1), match='a'>
  >>> re.match('[^aeiou]','abc')
  >>>
  

• [^^]表示匹配任何字符（字符^除外）；

  >>> re.match('[^^]*','abc^abc')
  <re.Match object; span=(0, 3), match='abc'>
  

• ^如果不放在[]首位，则没有特殊含义。

（2）*元字符

• *指定前一个字符匹配0次或多次；

• *元字符的重复默认是贪婪（尽可能匹配多个字符）的，如w.*w，字符串ww将匹配ww，而字符串wowoooow将匹配wowoooow；

• 取消*号贪婪模式很简单，只需要在后面加?元字符。如w.*?w，字符串wowoooow将匹配wow。

  >>> re.match('w.*w','ww')
  <re.Match object; span=(0, 2), match='ww'>
  >>> re.match('w.*w','wowoooow')
  <re.Match object; span=(0, 8), match='wowoooow'>
  >>> re.match('w.*?w','wowoooow')
  <re.Match object; span=(0, 3), match='wow'>
  

注：

1. +与*类似，只不过+是匹配前一个正则（或前一个字符）1次或多次。

2. ?指定匹配前一个正则（或前一个字符）0次或1次；或者你可以想象前一个正则（前一个字符）是可选的：good-?job正则将匹配goodjob或good-job。

   >>> re.match('good-?job','goodjob')
   <re.Match object; span=(0, 7), match='goodjob'>
   >>> re.match('good-?job','good-job')
   <re.Match object; span=(0, 8), match='good-job'>
   

（3）{}元字符

{}元字符与+、*、?类似，也是用于正则重复（多次匹配）的。{N, M}表示最少匹配N次，最多匹配M次；{N}表示匹配N次，少于N次将匹配失败。

• {0,1}等价于?；
• {0,}等价于*；
• {1,}等价于+；

（4）\元字符

Python字符串使用"\"转译字符，而反斜杠要表示其本身时需要使用"\\"；正则表达式也使用\元字符将普通字符转移为特殊字符（见表1-2）或允许使用特殊字符（如\.代表匹配字符点号本身，不代表元字符.）而不调用它们的特殊含义，同理，表示其本身时也是使用\\。

当正则表达式需要匹配反斜杠时，正则表达式必须为\\，但因为使用的是Python字符串表示正则字符串，Python字符串"\\"被当作一个反斜杠，所以要使用正则字符串\\，必须使用Python字符串"\\\\"表示正则字符串\\。

>>> re.match('\\\\','\\123')
<re.Match object; span=(0, 1), match='\\'>
>>> re.match('\\','\\123')
Traceback (most recent call last):
    ...
re.error: bad escape (end of pattern) at position 0

反复使用反斜杠的正则表达式，会导致大量重复的反斜杠，并使得正则字符串难以理解。解决办法是——使用Python的原始字符串表示法来表示正则表达式。

原始字符串是加了前缀r的字符串，在原始字符串中反斜杠不再特殊。如字符串r"\n"是一个包含 '\' 和 'n' 的双字符字符串，而 "\n" 是一个包含换行符的单字符字符串。

>>> re.match