正则表达式

正则表达式

什么是正则表达式呢？

想象一下这样的场景:

1

你应该经常使用 「CTRL + F」在文本文件中搜索关键词，定位到自己想要看的地方。不过，有时候你可能并不一定记得你要搜索的具体内容。比如你只知道关键词的开头是「马」，结尾是「梅」，但就是不知道是「马什么梅」，如何快速搜索替换？

2

你在爬取页面的时候，得到的一堆 HTML 标签，但是你只是想拿到其中的关键文本信息，怎么快速剔除掉 HTML 标签，把自己想要的文本从里面提取出来呢？

3

如果你开发了一个网站，允许用户注册，但你要求用户注册的密码需要含有大小写字母和数字，怎么验证呢？又，如何屏蔽用户的违规言论呢？

4

你在使用命令行的时候，如何一步到位的管理相关的文件呢？比如 rm -rf * （咋这个目录下的文件都被删除了？）

…

你看，在这些场景中，我们都需要一个「东西」来「占位」，表达关键的信息，比如在场景 1 中，我们不知道具体叫 「马什么梅」，但是知道它中间一定是个字，那么我们可以制定一个规则，说：「以后这玩意【】就代表一个任意的中文字」。
= 任意一个中文字
如果你的编辑器遵循了这一规则，知道【】就代表一个任意的中文字，那么我们接下来就可以根据这个规则，使用「马梅」进行快速匹配了。
所以其实，这个「东西」就是用来描述我们想要的规则的，对吧？
当然，你也知道，我们自己制定的「东西」，编辑器是不会听我们的，如果我们能够知道那些已经被大多数遵循了的「东西」，不就可以做到快速匹配我们想要的内容了吗？
这些被遵循的「东西」，就是正则表达式的元字符。

找到那些被遵循的「东西」

先认识「.」 和 「*」

这两玩意也许是我们最常用到的「东西」了，其中每个「.」用来表达的是「除了换行符以外的任何字符」，像这样：

标高亮的表示被匹配到的字符
一个「.」只能表达一个字符，那如果很多岂不是得点点点点点到天荒地老？所以其实我们不必要这样去用那么多点来匹配，我们可以在「.」后面使用 「」，这样编辑器就知道：「哦，你要找的是0个或者多个『.』」：

所以，「.」是用来描述相关字符，而「」用来描述匹配次数的。

和「.」一样

虽然这两玩意已经可以代表大多数内容了，但是对于一些具体的内容，比如数字，换行等，也有已经被遵循的「东西」，和「.」一样，常用到的有：

把这个看熟，你基本可以匹配大部分你需要的内容了，比如你要在这里只找到「handsome」这个词就可以这样：

匹配多个字母，数字，下划线：

只匹配字母：

反向匹配：

匹配回车：

你去玩几下就都熟悉了。

和 「*」 一样

我们知道 「」代表的是匹配0次或多次。和 「」 一样也有表示次数的，比如具体多少次，0次或一次：

转义

现在，你已经知道了常用的「东西」，它们都代表着一定的规则，但如果有时候文本出现了和「东西」一样的字符，怎么去匹配呢？
比如说，我们知道「.」是匹配除了换行外的所有字符，但如果文本就出现了「.」，我们只要匹配这个「.」，咋整？

我们可以使用转义字符，也就是在 「.」前面加一个 「\」，就说明我们是真的要找的是「.」:

当你在 「东西」前面加一个「\」，它就失去了功效，变回了原来的模样。

还会常用到这玩意「｜」

这个你应该很熟悉，就是「或」的意思，在 「｜」的两边，满足其一即可。
a|b 匹配 a 或者 b。
比如判断文件是不是图片类型，就可以这样：
^.*?.(gif|png|jpg)$

小试牛刀

现在，找到了这些「东西」，也知道了转义…现在我们来写一个正则表达式，匹配邮箱的规则吧。
我们知道，邮箱的格式是这样的：
xxxx@xxxx.xxx
我们可以发现，邮箱有两很明显的特征点：「@」和「.」，而在「@」和 「.」前面和后面可以是一个或多个「大小写字母或数字或下划线」。
我们可以从开始到结束的特征点写出来：
^ [大小写字母或数字或下划线]+@[大小写字母或数字或下划线]+.[大小写字母或数字或下划线]+$
替换成我们知道的「东西」：
^ [a-zA-Z0-9_]+@[a-zA-Z0-9_]+.[a-zA-Z0-9_]+$

好用的 （）

在这些「东西」里，（）能够进行分组，这对于我们在提取匹配我们关心的内容很有帮助，比如我们要提取这样的内容：

我们可以使用 （）对相关的匹配进行分组，这样得到多个分组（group1、group2、group3…）结果，这样可以很方便的从中提取内容，像这样：

.? 和 .

这两玩意都是匹配多个字符的「东西」，不过一个带了「？」一个不带，它们有什么区别呢？
.? 表示的是非贪婪匹配
. 表示的是贪婪匹配
啥意思呢？
举一个最简单的例子，比如我们有一个这样的文本：
abcdefghijkabcdefghijkabcdefghijkabcdefghijk
如果我们想从中提取 a 到 k 的内容，你可以发现，当我们「贪婪」的时候得到的结果就是这样的：
abcdefghijkabcdefghijkabcdefghijkabcdefghijk
「非贪婪」的时候，得到的结果就是这样的：
abcdefghijk
那么用在它们两身上，就是这样的，贪婪：

非贪婪：

意思就是这么个意思～
ok，这就是我常常会使用到的正则表达式，在 Python 中，有个 re 库可以专门操作这些玩意的，你可以到下面这个链接看到具体的解释：
https://docs.python.org/zh-cn/3/library/re.html
顺便，再给你推荐几个正则表达式可以参考的地方：
这里，有图文相关的正则表达式给你参考：
https://github.com/cdoco/common-regex

这里，可以让你校验自己写的正则：
https://regexr.com/

这里，有多个语言版本的正则表达式教程（如果你想更进一步了解反向引用，零宽断言的可以看看）：
https://github.com/ziishaned/learn-regex/blob/master/README.md

我在上面演示用到的插件，叫「Regex Matcher」。