正则表达式入门：学习笔记

目录

元字符

特殊单字符

空白符

量词

范围

断言

贪婪（尽可能最长匹配）与非贪婪（尽可能最短匹配）

分组与引用

匹配模式

不区分大小写

注释

断言

单词边界

行的开始\结束

环视

优化方法

测试性能

提前编译

尽量准确表示匹配范围

提取出公共部分

出现可能性大的放左边

只在必要时使用子组

警惕嵌套的子组重复

避免不同分支重复匹配

常见问题以及解决方案

匹配正数，负数和小数

非负整数

非正整数

浮点数（负号的时候整数部分不能没有，正数的时候，整数部分可以没有）

负浮点数

正浮点数

十六进制数

手机号码

身份证号码

中文字符

---

使用正则表达式的思考流程：

做分解，分析子问题，套入各种元字符等，调试。

元字符

特殊单字符

. ：换行以外任意单个字符

\d ：任意单个数字。\D ：任意非数字。

\w：任意单个数字或字母或下划线。\W：任意非数字字母下划线。

\s：任意单个空白符。\S：任意非空白符。

空白符

\r：回车符。

\n：换行符。

\f：换页符。

\t：制表符。

\v：垂直制表符。

\s：任意空白符。

量词

*含义：0到多次

+含义：1到多次

?含义：0到1次，如colou?r

{m}含义：出现m次

{m,}含义：出现至少m次

{m,n}含义：m到n次

范围

| ：或，如ab|bc代表ab或bc

[...]：多选一，括号中任意元素

[a-z]：匹配a到z之间的任意单个元素

[^...]：取反，不能是括号中的任意单个元素

断言

贪婪（尽可能最长匹配）与非贪婪（尽可能最短匹配）

贪婪（greedy）表示次数的量词默认是贪婪的，在贪婪模式下，会尝试尽可能最大长度区匹配。

re.findall(r'a*', 'aaabb')

结果如下：[’aaa‘, '', '', '']

非贪婪匹配（lazy）在量词后面加上英文问号，表示使用非贪婪量词。

re.findall(r'a*?', 'aaabb')

结果如下：[’a', 'a', 'a', '', '', '']

独占模式

分组与引用

分组就是加括号，并且将其中的内容表示为一个整体，并且可以被复用。

比如：

\d{15}(\d{3})?

如果不想子组被保存，可以这样

\d{15}(?:\d{3})?

如果想使用之前保存的自组，使用\数字，表示1使用第几个子组，第几个根据括号确定。

比如：

(\w+)\1

匹配两个连续的单词。

也就是the little cat cat里面的cat cat。

匹配模式

不区分大小写

((?i)cat)\1。匹配的是：类似CAT CAT

(?i)(cat)\1。匹配的是：类似CAT Cat

((?i)the) cat

注释

(?#xxxxx)表示注释

比如

(\w+)(?#word)\1(?#word repeat again)

断言

单词边界

\btom\b，这个正则只能匹配tom，不能匹配tomorrow里的tom。

行的开始\结束

环视

(?<=Y)：表示左边是Y

(?<!Y)：表示左边不是Y

(?=Y)：右边是Y

(?!Y)：右边不是Y

比如

(?<!\d)\d{6}(?!\d)

匹配一个左右没有数字的六位数。

优化方法

测试性能

使用ipython

import re

x = '-' * 1000000 + 'abc'

timeit re.search('abc', x)

提前编译

尽量准确表示匹配范围

提取出公共部分

出现可能性大的放左边

只在必要时使用子组

警惕嵌套的子组重复

避免不同分支重复匹配

常见问题以及解决方案

匹配正数，负数和小数

[-+]?\d+(?:\.\d+)?

非负整数

[1-9]\d* | 0

非正整数

-[1-9]\d* | 0

浮点数（负号的时候整数部分不能没有，正数的时候，整数部分可以没有）

-?\d+(?:\.\d+)? | \+?(?:\d+(?:\.\d+)?|\.\d+)

负浮点数

-\d+(?:\.\d+)?

正浮点数

\+?(?:\d+(?:\.\d+)?|\.\d+)

十六进制数

[0-9A-Fa-f]+

手机号码

身份证号码

[1-9]\d{14}(\d\d[0-9Xx])?

中文字符

[\u4E00-\u9FFF]