本文详细介绍了Python中的正则表达式，包括特殊字符、元字符、拓展语法以及方法的应用，如匹配、编译后的方法。通过实例展示了如何使用正则表达式进行匹配、查找、替换等操作，并解释了各种匹配对象方法的功能，如span()、group()等。此外，还讨论了正则表达式的编译标志，如忽略大小写、多行模式等，帮助读者深入理解Python正则表达式的使用。
Python 正则表达式
语法
在线工具：正则表达式可视化工具与正则表达式在线测试工具
特殊字符
-
.(点) 在默认模式，匹配除了换行的任意字符。如果指定了标签
re.DOTALL，它将匹配包括换行符的任意字符。 -
^(插入符号) 匹配字符串的开头， 并且在
re.MULTILINE模式也匹配换行后的首个符号。 -
$匹配字符串尾或者在字符串尾的换行符的前一个字符，在
re.MULTILINE模式下也会匹配换行符之前的文本。foo匹配 ‘foo’ 和 ‘foobar’，但正则表达式foo$只匹配 ‘foo’。- 更有趣的是，在
'foo1\nfoo2\n'中搜索foo.$，通常匹配 ‘foo2’，但在re.MULTILINE模式下可以匹配到 ‘foo1’；在'foo\n'中搜索$会找到两个（空的）匹配：一个在换行符之前，一个在字符串的末尾。
- 更有趣的是，在
-
*对它前面的正则式匹配0到任意次重复， 尽量多的匹配字符串。
ab*会匹配'a'，'ab'，或者'a'后面跟随任意个'b'。相当于{0,} -
+对它前面的正则式匹配1到任意次重复。
ab+会匹配'a'后面跟随1个以上到任意个'b'，它不会匹配'a'。相当于{1,} -
?对它前面的正则式匹配0到1次重复。
ab?会匹配'a'或者'ab'。相当于{0,1} -
*?,+?,??'*','+'，和'?'修饰符都是 贪婪的；它们在字符串进行尽可能多的匹配。有时候并不需要这种行为。- 如果正则式
<.*>希望找到'<a> b <c>'，它将会匹配整个字符串，而不仅是'<a>'。在修饰符之后添加?将使样式以非贪婪方式或者最小方式进行匹配； 尽量少的字符将会被匹配。 使用正则式<.*?>将会仅仅匹配'<a>'。
- 如果正则式
-
{m}对其之前的正则式指定匹配 m 个重复；少于 m 的话就会导致匹配失败。比如，
a{6}将匹配6个'a', 但是不能是5个。 -
{m,n}对正则式进行 m 到 n 次匹配，在 m 和 n 之间取尽量多。 比如，
a{3,5}将匹配 3 到 5个'a'。忽略 m 意为指定下界为0，忽略 n 指定上界为无限次。 比如a{4,}b将匹配'aaaab'或者1000个'a'尾随一个'b'，但不能匹配'aaab'。逗号不能省略，否则无法辨别修饰符应该忽略哪个边界。 -
{m,n}?前一个修饰符的非贪婪模式，只匹配尽量少的字符次数。比如，对于
'aaaaaa'，a{3,5}匹配 5个'a'，而a{3,5}?只匹配3个'a'。 -
\转义特殊字符（允许你匹配
'*','?', 或者此类其他），或者表示一个特殊序列；特殊序列之后进行讨论。如果你没有使用原始字符串（r'raw'）来表达样式，要牢记Python也使用反斜杠作为转义序列；如果转义序列不被Python的分析器识别，反斜杠和字符才能出现在字符串中。如果Python可以识别这个序列，那么反斜杠就应该重复两次。这将导致理解障碍，所以高度推荐，就算是最简单的表达式，也要使用原始字符串。
-
[]用于表示一个字符集合。在一个集合中：
-
字符可以单独列出，比如
[amk]匹配'a'，'m'， 或者'k'。 -
可以表示字符范围，通过用
'-'将两个字符连起来。比如[a-z]将匹配任何小写ASCII字符，[0-5][0-9]将匹配从00到59的两位数字，[0-9A-Fa-f]将匹配任何十六进制数位。 如果-进行了转义 （比如[a\-z]）或者它的位置在首位或者末尾（如[-a]或[a-]），它就只表示普通字符'-'。 -
特殊字符在集合中，失去它的特殊含义。比如
[(+*)]只会匹配这几个文法字符'(','+','*', or')'。 -
字符类如
\w或者\S(如下定义) 在集合内可以接受，它们可以匹配的字符由ASCII或者LOCALE模式决定。 -
不在集合范围内的字符可以通过 取反 来进行匹配。如果集合首字符是
'^'，所有 不 在集合内的字符将会被匹配，比如[^5]将匹配所有字符，除了'5'，[^^]将匹配所有字符，除了'^'.^如果不在集合首位，就没有特殊含义。 -
在集合内要匹配一个字符
']'，有两种方法，要么就在它之前加上反斜杠，要么就把它放到集合首位。比如，[()[\]{}]和[]()[{}]都可以匹配括号。 -
Unicode Technical Standard #18 里的嵌套集合和集合操作支持可能在未来添加。这将会改变语法，所以为了帮助这个改变，一个
FutureWarning将会在有多义的情况里被raise，包含以下几种情况，集合由'['开始，或者包含下列字符序列'--','&&','~~', 和'||'。为了避免警告，需要将它们用反斜杠转义。
-
-
|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. 任意个正则表达式可以用'|'连接。它也可以在组合（见下列）内使用。扫描目标字符串时，'|'分隔开的正则样式从左到右进行匹配。当一个样式完全匹配时，这个分支就被接受。意思就是，一旦 A 匹配成功， B 就不再进行匹配，即便它能产生一个更好的匹配。或者说，'|'操作符绝不贪婪。 如果要匹配'|'字符，使用\|， 或者把它包含在字符集里，比如[|]. -
(...)（组合），匹配括号内的任意正则表达式，并标识出组合的开始和结尾。匹配完成后，组合的内容可以被获取，并可以在之后用
\number转义序列进行再次匹配，之后进行详细说明。要匹配字符'('或者')', 用\(或\), 或者把它们包含在字符集合里:[(],[)]. -
(?…)这是个扩展标记法 （一个
'?'跟随'('并无含义）。'?'后面的第一个字符决定了这个构建采用什么样的语法。这种扩展通常并不创建新的组合；(?P<name>...)是唯一的例外。 以下是目前支持的扩展。
\ + 字符
由 '\' 和一个字符组成的特殊序列在以下列出。 如果普通字符不是ASCII数位或者ASCII字母，那么正则样式将匹配第二个字符。比如，\$ 匹配字符 '$'.
-
\number匹配数字代表的组合。每个括号是一个组合，组合从1开始编号。
- 比如
(.+) \1匹配'the the'或者'55 55', 但不会匹配'thethe'(注意组合后面的空格)。这个特殊序列只能用于匹配前面99个组合。 - 如果 number 的第一个数位是0， 或者 number 是三个八进制数，它将不会被看作是一个组合，而是八进制的数字值。在
'['和']'字符集合内，任何数字转义都被看作是字符。
- 比如
-
\A只匹配字符串开始。
-
\b匹配空字符串，但只在单词开始或结尾的位置。一个单词被定义为一个单词字符的序列。
- 注意，通常
\b定义为\w和\W字符之间，或者\w和字符串开始/结尾的边界， 意思就是r'\bfoo\b'匹配'foo','foo.','(foo)','bar foo baz'但不匹配'foobar'或者'foo3'。 - 默认情况下，Unicode字母和数字是在Unicode样式中使用的，但是可以用
ASCII标记来更改。如果LOCALE标记被设置的话，词的边界是由当前语言区域设置决定的，\b表示退格字符，以便与Python字符串文本兼容。
- 注意，通常
-
\B匹配空字符串，但 不 能在词的开头或者结尾。意思就是
r'py\B'匹配'python','py3','py2', 但不匹配'py','py.', 或者'py!'.\B是\b的取非，所以Unicode样式的词语是由Unicode字母，数字或下划线构成的，虽然可以用ASCII标志来改变。如果使用了LOCALE标志，则词的边界由当前语言区域设置。 -
\d对于 Unicode (str) 样式：匹配任何Unicode十进制数（就是在Unicode字符目录[Nd]里的字符）。这包括了
[0-9]，和很多其他的数字字符。如果设置了ASCII标志，就只匹配[0-9]。-对于8位(bytes)样式：匹配任何十进制数，就是
[0-9]。 -
\D匹配任何非十进制数字的字符。就是
\d取非。 如果设置了ASCII标志，就相当于[^0-9]。 -
\s-
对于 Unicode (str) 样式：匹配任何Unicode空白字符（包括
[ \t\n\r\f\v]，还有很多其他字符，比如不同语言排版规则约定的不换行空格）。如果ASCII被设置，就只匹配[ \t\n\r\f\v]。 -
对于8位(bytes)样式：匹配ASCII中的空白字符，就是
[ \t\n\r\f\v]。
-
-
\S匹配任何非空白字符。就是
\s取非。如果设置了ASCII标志，就相当于[^ \t\n\r\f\v]。 -
\w对于 Unicode (str) 样式：匹配Unicode词语的字符，包含了可以构成词语的绝大部分字符，也包括数字和下划线。如果设置了
ASCII标志，就只匹配[a-zA-Z0-9_]。对于8位(bytes)样式：匹配ASCII字符中的数字和字母和下划线，就是[a-zA-Z0-9_]。如果设置了LOCALE标记，就匹配当前语言区域的数字和字母和下划线。 -
\W匹配非单词字符的字符。这与
\w正相反。如果使用了ASCII旗标，这就等价于[^a-zA-Z0-9_]。如果使用了LOCALE旗标，则会匹配当前区域中既非字母数字也非下划线的字符。 -
\Z只匹配字符串尾。
-
绝大部分Python的标准转义字符也被正则表达式分析器支持。:
\a \b \f \n
\N \r \t \u
\U \v \x \\
Note:
\b被用于表示词语的边界，它只在字符集合内表示退格，比如[\b]。
'\u','\U'和'\N'转义序列只在 Unicode 模式中可被识别。 在 bytes 模式中它们会导致错误。 未知的 ASCII 字母转义序列保留在未来使用，会被当作错误来处理。八进制转义包含为一个有限形式。如果首位数字是 0， 或者有三个八进制数位，那么就认为它是八进制转义。其他的情况，就看作是组引用。对于字符串文本，八进制转义最多有三个数位长。
元字符
| 元字符 | 描述 |
|---|---|
. |
匹配任意单个字符，除了\n |
[ ] |
字符种类，匹配方括号内任意字符 |
[^ ] |
否定的字符种类，匹配除了方括号里的任意字符 |
* |
匹配0到任意次重复，相当于{0,} |
+ |
匹配1到任意次重复，相当于{1,} |
? |
匹配0到1次重复，相当于{0,1} |
{n, m} |
对正则式进行 m 到 n 次匹配 |
(xyz) |
字符集，匹配与xyz完全相等的字符串 |
| |
或运算，匹配符号前或符号后的字符 |
\ |
转义字符，用于匹配保留字() [] {} . * + ? ^ $ \ | |
^ |
匹配字符串开始的位置 |
$ |
匹配字符串结尾的位置 |
拓展语法
拓展语法
-
(?aiLmsux-imsx:…)(
'a','i','L','m','s','u','x'中的0或者多个， 之后可选跟随'-'在后面跟随'i','m','s','x'中的一到多个 .) 该组匹配空字符串； 字母设置相应的标志：- 这些字符为表达式的其中一部分 对应一种匹配标志：
re.A(只匹配ASCII),re.I(忽略大小写),re.L(语言依赖),re.M(多行),re.S(点匹配所有字符),re.U(Unicode匹配), andre.X(冗长模式)。(标记描述) 'a','L'and'u'作为内联标记是相互排斥的， 所以它们不能结合在一起，或者跟随'-'。 当他们中的某个出现在内联组中，它就覆盖了括号组内的匹配模式。- 在Unicode样式中，
(?a:...)切换为 只匹配ASCII，(?u:...)切换为Unicode匹配 (默认). - 在byte样式中
(?L:...)切换为语言依赖模式，(?a:...)切换为 只匹配ASCII (默认)。这种方式只覆盖组合内匹配，括号外的匹配模式不受影响。
- 在Unicode样式中，
- 这些字符为表达式的其中一部分 对应一种匹配标志：
-
(?P<name>…)（命名组合）类似正则组合，但是匹配到的子串组在外部是通过定义的
name来获取的。组合名必须是有效的Python标识符，并且每个组合名只能用一个正则表达式定义，只能定义一次。一个符号组合同样是一个数字组合，就像这个组合没有被命名一样。命名组合可以在三种上下文中引用。如果样式是(?P<quote>['"]).*?(?P=quote)（也就是说，匹配单引号或者双引号括起来的字符串)：引用组合 “quote” 的上下文 引用方法 在正则式自身内 (?P=quote) (如示),\1处理匹配对象 m m.group('quote'),m.end('quote')(等)传递到 re.sub()里的 repl 参数中\g<quote>,\g<1>,\1 -
(?P=name)反向引用一个命名组合；它匹配前面那个叫 name 的命名组中匹配到的串同样的字串。
-
(?#…)注释；里面的内容会被忽略。
-
(?=…)匹配
…的内容，但是并不消费样式的内容。这个叫做 lookahead a
最低0.47元/天 解锁文章
363
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
