今天将完成正则表达式简单应用的系统学习，以弥补以前残缺的认知和了解。
（第一稿位于笔者新浪博客http://blog.sina.com.cn/s/blog_4d1bbec70100qmxg.html）
参考：
1. Python正则表达式操作指南
2. 正则表达式30分钟入门教程
3. 深入浅出之正则表达式
简单模式
元字符：
. ^ $ * + ? { [ ] / | ( )
字符匹配：
[ ] 构成匹配字符集。-可用于指定区间，元字符在[]中将失去其特殊意义；^和[一起使用时，即[^，表示补集。
反斜杠/ 其后加字符可表特殊含义；其放在元字符前可取消元字符的特殊含义。
/d 匹配任何十进制数；它相当于类 [0-9]。
/D 匹配任何非数字字符；它相当于类 [^0-9]。
/s 匹配任何空白字符；它相当于类 [ /t/n/r/f/v]。
/S 匹配任何非空白字符；它相当于类 [^ /t/n/r/f/v]。
/w 匹配任何字母数字字符；它相当于类 [a-zA-Z0-9_]。
/W 匹配任何非字母数字字符；它相当于类 [^a-zA-Z0-9_]。
/b 代表单词的开头或结尾，也就是单词的分界处。
元字符. 匹配除换行符外的任何字符，即"."通常用于想匹配“任何字符”的地方
元字符^用来匹配用开查找的字符串的开头，而$则匹配结尾。
重复：
元字符* 并不匹配字符“*”，它指定前一个字符可以被匹配零次或多次。
元字符+ 基本和*相同，唯一区别在于+要求至少出现一次。
元字符? 要求匹配一次或零次。
{m,n} 要求至少有m个重复，至多到n个重复
采用python来进行字符的基本方法如下：
yyang@Yanux:~$ python
Python 2.6.6 (r266:84292, Sep 15 2010, 15:52:39)
[GCC 4.4.5] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> p = re.compile("[a-z]+")
>>> print p
<_sre.SRE_Pattern object at 0xb77681e0>
>>> m = p.match("Hello")
>>> print m
None
>>> m = p.match("hello")
>>> print m
<_sre.SRE_Match object at 0xb776ce20>
>>> print m.group()
hello
>>> print m.span()
(0, 5)
对于python，Pattern Object有如下方法：
| 方法/属性 | 作用 |
| match() | 决定 RE 是否在字符串刚开始的位置匹配 |
| search() | 扫描字符串，找到这个 RE 匹配的位置 |
| findall() | 找到 RE 匹配的所有子串，并把它们作为一个列表返回 |
| finditer() | 找到 RE 匹配的所有子串，并把它们作为一个迭代器返回 |
而对于Match object,有如下方法：
| 方法/属性 | 作用 |
| group() | 返回被 RE 匹配的字符串 |
| start() | 返回匹配开始的位置 |
| end() | 返回匹配结束的位置 |
| span() | 返回一个元组包含匹配 (开始,结束) 的位置 |
其中，finditer()如此使用：
>>> iterator = p.finditer('12 drummers drumming, 11 pipers piping, 10 lords a-leaping')
>>> for match in iterator:
... print match.span() #注意缩进，否则无法运行
...
(3, 11)
(12, 20)
(25, 31)
(32, 38)
(43, 48)
(49, 50)
(51, 58)
至此，参考文献1还将继续讲解python中更为复杂的正则表达式运用，但此处我需要学习的，则是正则表达式的系统知识。所以暂先离开参考文献1，进入其他资料中进行更加细节的学习。
分支条件：
元字符 | 用于分支条件，即有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用 | 把不同的规则分隔开。
如中国电话区号表示：
0/d{2}-/d{8}|0/d{3}-/d{7}，可以表示三位区号或者3位区号的电话，例如021-65987845或0873-2156987
匹配分支时，将会从左到右地测试每个条件，如果满足某个分支，就不会去再管其他条件了。
向后引用：
向后引用用于重复搜索前面某个分组匹配的文本，如/1代表分组1匹配的文本。
/b(/w+)/b/s+/1/b中，/1就是用来匹配前面已经匹配的单词，在实际运用中，purr purr将会被匹配（来自Sheldon那soft kitty）。
强制指定组名，(?<Word>/w+)(将其中的尖括号换成单引号亦可：(?‘Word‘/w+))，这样/w+的组名就成为Word了，向后引用时，采用/k<Word>即可。
上面的例子可以改写为/b(?<Word>/w+)/b/s+/k<Word>/b
参考2中有表如下：
| 分类 | 代码/语法 | 说明 |
|---|---|---|
| 捕获 | (exp) | 匹配exp,并捕获文本到自动命名的组里 |
| (?<name>exp) | 匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp) | |
| (?:exp) | 匹配exp,不捕获匹配的文本，也不给此分组分配组号 |
零宽断言:
用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像/b,^,$那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，它们也称为
零宽断言。（出自参考2的原话，反正我没读懂。。。）
零宽度正预测先行断言 (?=exp) 断言自身出现的位置的后面能匹配表达式exp（这句话中“断言”是名词）。
/b/w+(?=ing/b) 这个正则表达式匹配以ing结尾的单位的前面部分，比如studying while playing中, study和play将会被匹配
零宽度正回顾后发断言(?<=exp) 断言自身出现的位置的前面能匹配的表达式exp，和上面相反。如(?<=/bun)/w+/b，在unable to do中，匹配able
(?<=/s)/d+(?=/s)，这个例子匹配以空白符间隔的数字，其中使用了两种断言
(?<=<(/w+)>).*(?=<///1>) 能否看懂此例？
负向零宽断言：
这类断言只匹配一个位置，并不消耗任何字符。
零宽度负预测先行断言 (?!exp) 断言此位置后不能匹配表达式exp. /d{3}(?!/d) 匹配了三位数字并且其后不能是数字。
零宽度负回顾后发断言 (?<!exp) 断言此位置的前面不能匹配表达式exp. (?<![a-z])/d{7}匹配前面不是小写字母的七位数字
注释：
(?#comment)
尽多匹配与尽少匹配
尽多重复 a.*b 这种情况下，aabab会被全部匹配
尽少重复 a.*b? 这种情况下，aabab会匹配成aab和ab
| 代码/语法 | 说明 |
|---|---|
| *? | 重复任意次，但尽可能少重复 |
| +? | 重复1次或更多次，但尽可能少重复 |
| ?? | 重复0次或1次，但尽可能少重复 |
| {n,m}? | 重复n到m次，但尽可能少重复 |
| {n,}? | 重复n次以上，但尽可能少重复 |
此外，参考2中的“平衡组/递归匹配”我也没理解。下面是更多语法，来自参考2
| 代码/语法 | 说明 |
|---|---|
| /a | 报警字符(打印它的效果是电脑嘀一声) |
| /b | 通常是单词分界位置，但如果在字符类里使用代表退格 |
| /t | 制表符，Tab |
| /r | 回车 |
| /v | 竖向制表符 |
| /f | 换页符 |
| /n | 换行符 |
| /e | Escape |
| /0nn | ASCII代码中八进制代码为nn的字符 |
| /xnn | ASCII代码中十六进制代码为nn的字符 |
| /unnnn | Unicode代码中十六进制代码为nnnn的字符 |
| /cN | ASCII控制字符。比如/cC代表Ctrl+C |
| /A | 字符串开头(类似^，但不受处理多行选项的影响) |
| /Z | 字符串结尾或行尾(不受处理多行选项的影响) |
| /z | 字符串结尾(类似$，但不受处理多行选项的影响) |
| /G | 当前搜索的开头 |
| /p{name} | Unicode中命名为name的字符类，例如/p{IsGreek} |
| (?>exp) | 贪婪子表达式 |
| (?<x>-<y>exp) | 平衡组 |
| (?im-nsx:exp) | 在子表达式exp中改变处理选项 |
| (?im-nsx) | 为表达式后面的部分改变处理选项 |
| (?(exp)yes|no) | 把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no |
| (?(exp)yes) | 同上，只是使用空表达式作为no |
| (?(name)yes|no) | 如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no |
| (?(name)yes) | 同上，只是使用空表达式作为no |
另外，参考3中有对贪婪和懒惰性的讨论，置于此，帮助理解思考。
注意贪婪性
假设你想用一个正则表达式匹配一个HTML标签。你知道输入将会是一个有效的HTML文件，因此正则表达式不需要排除那些无效的标签。所以如果是在两个尖括号之间的内容，就应该是一个HTML标签。
许多正则表达式的新手会首先想到用正则表达式<< <.+> >>，他们会很惊讶的发现，对于测试字符串，“This is a <EM>first</EM> test”，你可能期望会返回<EM>，然后继续进行匹配的时候，返回</EM>。
但事实是不会。正则表达式将会匹配“<EM>first</EM>”。很显然这不是我们想要的结果。原因在于“+”是贪婪的。也就是说，“+”会导致正则表达式引擎试图尽可能的重复前导字符。只有当这种重复会引起整个正则表达式匹配失败的情况下，引擎会进行回溯。也就是说，它会放弃最后一次的“重复”，然后处理正则表达式余下的部分。
和“+”类似，“?*”的重复也是贪婪的。
深入正则表达式引擎内部
让我们来看看正则引擎如何匹配前面的例子。第一个记号是“<”，这是一个文字符号。第二个符号是“.”，匹配了字符“E”，然后“+”一直可以匹配其余的字符，直到一行的结束。然后到了换行符，匹配失败(“.”不匹配换行符)。于是引擎开始对下一个正则表达式符号进行匹配。也即试图匹配“>”。到目前为止，“<.+”已经匹配了“<EM>first</EM> test”。引擎会试图将“>”与换行符进行匹配，结果失败了。于是引擎进行回溯。结果是现在“<.+”匹配“<EM>first</EM> tes”。于是引擎将“>”与“t”进行匹配。显然还是会失败。这个过程继续，直到“<.+”匹配“<EM>first</EM”，“>”与“>”匹配。于是引擎找到了一个匹配“<EM>first</EM>”。记住，正则导向的引擎是“急切的”，所以它会急着报告它找到的第一个匹配。而不是继续回溯，即使可能会有更好的匹配，例如“<EM>”。所以我们可以看到，由于“+”的贪婪性，使得正则表达式引擎返回了一个最左边的最长的匹配。
用懒惰性取代贪婪性
一个用于修正以上问题的可能方案是用“+”的惰性代替贪婪性。你可以在“+”后面紧跟一个问号“?”来达到这一点。“*”，“{}”和“?”表示的重复也可以用这个方案。因此在上面的例子中我们可以使用“<.+?>”。让我们再来看看正则表达式引擎的处理过程。
再一次，正则表达式记号“<”会匹配字符串的第一个“<”。下一个正则记号是“.”。这次是一个懒惰的“+”来重复上一个字符。这告诉正则引擎，尽可能少的重复上一个字符。因此引擎匹配“.”和字符“E”，然后用“>”匹配“M”，结果失败了。引擎会进行回溯，和上一个例子不同，因为是惰性重复，所以引擎是扩展惰性重复而不是减少，于是“<.+”现在被扩展为“<EM”。引擎继续匹配下一个记号“>”。这次得到了一个成功匹配。引擎于是报告“<EM>”是一个成功的匹配。整个过程大致如此。
惰性扩展的一个替代方案
我们还有一个更好的替代方案。可以用一个贪婪重复与一个取反字符集：“<[^>]+>”。之所以说这是一个更好的方案在于使用惰性重复时，引擎会在找到一个成功匹配前对每一个字符进行回溯。而使用取反字符集则不需要进行回溯。
扫一扫
953
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
