非法的表达式开始_系统地学习正则表达式(二)：进阶篇

原创： 志学Python 志学Python

理解子表达式

通过(和)括起来的就是子表达式。

下面是一个例子：用来匹配IP 地址的正则表达式。IP 地址是由" . "分隔的四组数字，如12.159.46.200。因为每个部分的数字都可以为一个、两个或者三个数字字符，这个匹配模式可以表示为d{1,3}：

正则表达式：d{1,3}.d{1,3}.d{1,3}.d{1,3}待匹配文本：12.159.46.200匹配后结果：12.159.46.200

分析：每个d{1,3}的实例都匹配了 IP 地址的一个数字。四个数字则是被.表示的" . "分隔开的。d{1,3}.模式重复了三遍，因此可以使用重复操作来处理。下面是相同例子的另外一个版本：

正则表达式：(d{1,3}.){3}d{1,3}待匹配文本：12.159.46.200匹配后结果：12.159.46.200

分析：此模式可以和前面的效果是一样的。表达式d{1,3}.使用(和)括起来从而组成子表达式。(d{1,3}.){3}重复了子表达式三次(也就是 IP 地址的前三个数字)，最后的d{1,3}匹配最后的数字。

使用子表达式来分组是很重要的，尽管这个例子中根本不包括重复。来看一个例子：

正则表达式：19|20d{2}待匹配文本：1967-08-17匹配后结果：1967-08-17

分析：19|20d{2}用来定位一个前两个数字只能为 19或者20的四位数的年份。但是很显然这个正则并没有实现预想的效果。|操作符从左到右读取，将19|20d{2}分析为要么19 ，要么20d{2}，也就是匹配数字 19 或者20开头的四个数字字符。

解决方法是将19|20作为一个子表达式，(19|20)d{2}就能够匹配所有19 和 20 开头的四个数字了。

嵌套子表达式

子表达式可以嵌套。实际上，子表达式可以一层一层嵌套在子表达式内。为了演示嵌套子表达式的用法，我们再来看看查找 IP 地址的例子。

其实上面例子中(d{1,3}.){3}d{1,3}匹配IP 地址是有问题的，因为非法的 IP 地址也将被匹配。IP 地址中的每个数字都是小于 255 的。而上面的模式可以匹配 300甚至是999 ，而这些实际上都是非法的 IP 地址。

下面定义了所有合法 IP 地址所需要满足的一种条件：

所有的一位数和两位数三位数的第一位为 1如果三位数的第一位为 2 ，且第二位从 0 到 4如果三位数的前二位为 25 ，且第三位从 0 到 5

当定义了需要匹配的情况后，就比较容易实现可以工作的模式。下面是个例子：

(((d{1,2})|(1d{2})|(2[0-4]d)|(25[0-5])).){3}((d{1,2})|(1d{2})|(2[0-4]d)|(25[0-5]))

分析：这个模式可以工作的原因是一系列的嵌套子表达式。首先从(((d{1,2})|(1d{2})|(2[0-4]d)|(25[0-5])).)子表达式开始。包含了四个嵌套子表达式。(d{1,2})可以匹配一位数和两位数(0到99)。(1d{2})匹配了任何第一位为 1 的三位数(100到199) 。(2[0-4]d)匹配数字从 200 到 249 。(25[0-5])匹配数字从 250 到 255 。每个子表达式都是通过“ | ”包括在另一个子表达式中。在数字范围之后是.表示的" . "，然后这个系列括起来作为子表达式并重复三遍(使用{3})。最后，((d{1,2})|(1d{2})|(2[0-4]d)|(25[0-5]))被用来匹配最后一个 IP 地址的数字(没有了.后缀)。由于将四个数字都是限制在了 0 到 255 之间，所以此模式可以匹配所有的合法 IP 地址。

理解后向引用

HTML 开发者经常使用标题标签(

到

，包括相应的结束标签

到)。假设你需要定位所有的标题标签：

正则表达式：.*?[hH][1-6]>待匹配文本：

title 1

—

title 6

匹配后结果：

title 1

—

title 6

分析：可以匹配所有的开始标签，而[hH][1-6]>可以匹配所有的结束标签。

注意：我们这里使用了.*?而不是.*。正如在上一篇文章解释的一样，*的量词是贪婪的，所以模式.*[hH][1-6]>将匹配从

直到 。所以可以使用非贪婪量词.*?来解决这个问题。

接着看这个例子：

正则表达式：.*?[hH][1-6]>待匹配文本：

title匹配后结果：

title

分析：采用

开始而采用 的标题标签是非法的，但是现在的模式可以匹配。问题在于匹配的第二个部分(匹配结束的标签)没有办法知道匹配第一部分(匹配开始的标签)是什么。这时候就需要后向引用了。

使用后向引用匹配

后向应用就是引用前面的子表达式。你可以将后向应用理解成变量。例如1匹配模式中第一个子表达式。同理，2将匹配第二个子表达式，3将匹配第三个。我们结合例子来理解。一个子表达式可以通过后向引用根据需要引用多次。

在上个例子中，.*?[hH][1-6]>会匹配非法的标题。我们可以使用后向引用来解决：

正则表达式：.*?[hH]1>待匹配文本：

title

—

title匹配后结果：

title

—

title

分析：就像以前一样，将匹配任何的标题标签。但是和以前不一样的是，这里的[1-6]使用了小括号括起来成为了子表达式。这样，匹配结束标签的模式可以通过[hH]1>中的1来引用此子表达式。(1-6)是一个可以匹配数字 1 到 6 的子表达式，1因此可以匹配相同的数字。在这种情况下，"

title"将不能匹配。

注意：后向引用只能够引用子表达式(需要使用小括号括起来)，后向引用语法在不同的正则表达式实现中可能是不一样的。引用的匹配一般是从 1 开始。在大多数的正则表达式实现中，0 可以用来引用整个表达式。

执行替换操作

到现在为止我们所看到的正则表达式都是进行搜索，在一段文本中定位单词。正则表达式还可以用来执行替换操作。举个例子，将CA 替换成California和将MI替换成Michigan 并不是正则表达式需要完成的工作。尽管使用正则表达式也是合法的，但是没有必要这么做。事实上，在这里如果使用简单的字符串操作函数的话过程将会变得更加容易。

让我们来看一个例子，将313-555-1234格式的电话号码重新格式化为(313) 555-1234格式：

查找表达式：(d{3})(-)(d{3})(-)(d{4})替换表达式：($1) $3-$5文本313-555-1234248-555-9999结果(313) 555-1234(248) 555-9999

分析：(d{3})(-)(d{3})(-)(d{4})匹配了一个电话号码，并分成了五个子表达式。(d{3})匹配刚开始的三个数字并作为第一个子表达式，(-)匹配" - "并作为第二个子表达式，依此类推。这五个部分可以根据需要单独引用，($1) $3-$5只是使用了其中的三个子表达式。因此“313-555-1234”改变为了“(313) 555-1234”。

最后，我自己是一名从事了多年开发的Python老程序员，辞职目前在做自己的Python私人定制课程，今年年初我花了一个月整理了一份最适合2019年学习的Python学习干货，可以送给每一位喜欢Python的小伙伴，想要获取的可以关注我的头条号并在后台私信我：01，即可免费获取。