十分钟入门正则表达式

十分钟入门正则表达式

开发者几年筛log每次都是网上百度个正则式子存着，从未主动学习相关知识。最近在看《精通python网络爬虫》时看到其对正则的讲解简单明了，遂记录。

开始入门

什么是正则表达式/正则表达式能干什么？这里不再重复了。接下来我们直接进门正则表达式。

正则表达式包含以下基础元素：原子、元字符、模式修正符。下面会从这几个基础元素开始入门

原子

原子是正则表达式中最基本的组成单位，每个正则表达式中至少要包含一个原子，常见的原子有以下几类：

• 普通字符作为原子
• 非打印字符作为原子
• 通用字符作为原子
• 原子表

暂时不需要理解原子的作用，下一节元字符大家自然会get到。

普通字符作为原子

数字、大小写字母、下划线等都可以作为原子使用，示例程序：

import re
pattern="idu" # 包含三个原子 "i","d","u"
string="www.baidu.com"
result=re.search(pattern,string) # 从string中去匹配正则"idu"
print(result)

结果：

<span=(6,9), match="idu">

非打印字符作为原子

所谓非打印字符，指的是一些在字符串中用于格式控制的符号，如换行符等。下面仅介绍常用的非打印字符，如下表所示

符号	含义
\n	用于匹配一个换行符
\t	用于匹配一个制表符

示例程序：

import re
pattern="\n" # 包含一个原子 换行符
string='"www.baidu
.com"'
result=re.search(pattern,string) # 从string中去匹配正则"idu"
print(result)

结果：

<span=(9,10), match="\n">

通用字符作为你原子

所谓通用字符，即一个原子可以匹配一类字符。我们实际使用中经常会用到这一类原子，常见通用字符及其含义如下表：

符号	含义
\w	匹配任意一个字母、数字或下划线
\W	匹配除字母、数字或下划线以外的任意一个字符
\d	匹配任意一个十进制数
\D	匹配除十进制以外的任意一个其他字符
\s	匹配任意一个空白字符
\S	匹配除空白字符以外的任意一个其他字符

原子表

使用原子表，可以定义一组地位平等的原子，然后匹配的时候会取该原子表中任意一个原子进行匹配，原子表由 [ ] 表示。

比如 "[xyz]" 就是一个原子表，该原子表中定义了 3 个原子，这 3 个原子地位平等，如，我们定义正则表达式为 "[xyz]py" ，对应的源字符串是 "xpython" ，如果此时使用 re.search() 函数进行匹配，就可以匹配到结果 "xpy" ，因为此时只要py前一位是 x y x 字母中的任意一个字母，就都可以匹配成功。

类似的，"[^]" 代表的是除了中括号里面的原子均可以匹配成功，如 "[^xyz]py" 能匹配 "apy" ，但是却不能匹配 "xpy"。

具体大家可以自己写用例试下。

元字符

所谓元字符，就是正则表达式中具有一些特殊含义的字符，比如重复N次前面的字符等。

在此，给大家copy了常见的一些元字符，如下表：

符号	含义
.	匹配除换行符以外的任意字符
^	匹配字符串的开始位置
$	匹配字符串的结束位置
*	匹配0次、1次或多次前面的原子
?	匹配0次或1次前面的原子
+	匹配1次或多次前面的原子
{n}	前面的原子恰好出现n次
{n,}	前面的原子至少出现n次
{n,m}	前面的原子至少出现n次，至多出现m次
|	模式选择符
()	模式单元符

任意匹配元字符

首先讲解任意匹配元字符 "." ，我们可以使用 "." 匹配一个除了换行符以外的任意字符。

比如，可以重用正则表达式 ".python..." 匹配一个 "python" 字符前面有1位，后面有3位格式的字符（不包含换行符）。

示例如下：

import re
pattern=".python..."
string="abcdfphp345pythony_py"
result=re.search(pattern,string) # 从string中去匹配正则".python..."
print(result)

执行结果：

<span=(10,20), match="5pythony_p">

边界限制元字符

可以使用 "^" 匹配字符串的开始，使用 "$" 匹配字符串的结束。我们通过下面的例子来熟悉：

import re

pattern1="^abc"
pattern2="py$"

string="abcdfphp345pythony_py"

result1=re.search(pattern1,string)
result2=re.search(pattern2,string)

print(result1)
print(result2)

执行结果如下：

<span=(0,3), match="abc">
<span=(19,21), match="py">

以上程序中，正则表达式 pattern1 限制了必须要以 "abc" 开头，如果不以 "abc" 开头则无法成功匹配；正则表达式 pattern2 限制了必须以 "py" 结尾。

限定符

限定符也是元字符的一种，常见的限定符包括 * / ? / + / {n} / {n,} / {n,m} ，具体含义可以参考上面的表格，下面我们通过一个示例来分析下限定符的使用。

import re

pattern1="py.*n"
pattern2="cd{2}"

string="abcdddfphp345pythony_py"

result1=re.search(pattern1,string)
result2=re.search(pattern2,string)

print(result1)
print(result2)

执行结果：

<span=(13,19), match="python">
<span=(2,5), match="cdd">

模式选择符

接下来讲解模式选择符 "|" ，使用模式选择符，可以设置多个模式，匹配时，会从中选择任意一个模式匹配。比如正则表达式 "python|php" 中，字符串 "python" 和 "php" 均满足匹配条件。示例如下：

import re

pattern1="python|php"

string="abcdfphp345pythony_py"
string2="abcdfph345pythony_py"

result1=re.search(pattern1,string) # 会输出第一个匹配到的结果
result2=re.search(pattern1,string) # 会输出第一个匹配到的结果

print(result1)
print(result2)

执行结果：

<span=(5,8), match="php">
<span=(10,16), match="python">

模式单元符

下面介绍模式单元符 "( )" ，可以使用 "( )" 将一些原子组合成一个大原子使用，小括号括起来的部分会被当做一个整体去使用，示例如下：

import re

pattern1="(cd){1,}"

string="abcdcdcdcdfphp345pythony_py"

result1=re.search(pattern1,string) 

print(result1)

执行结果：

<span=(2,10), match="cdcdcdcd">

模式修正符

所谓模式修正符，即可以在不改变正则表达式的情况下，通过模式修正符改变正则表达式的含义，从而实现对匹配结果的调整等功能。比如模式修正符 "I" 让对于模式在匹配时可以不区分大小写。

常见的模式修正符如下表：

符号	含义
I	匹配时忽略大小写
M	多行匹配
L	做本地化识别匹配
U	使用Unicode字符及解析字符
S	让.匹配包括换行符，即使用了该模式修正后，"."匹配就可以匹配任意字符了

需要注意，模式修正符不同语言使用方式不同，一般不是直接写在正则表达式字符串之中的。python中写法如下 re.search(pattern,string,re.I)