正则表达式

正则表达式

一，前言：

在《Java编程思想》一书中，作者提到了一句话可以证明，字符串操作是计算机程序设计中最常见的行为，这一点，如果你接触过Python或者Shell这两门语言的话，你也会和我一样对这句话再赞成不过了。而既然提到了字符串操作，就得接触到正则表达式这一神器啦。
正则表达式，是一个用于字符串匹配与搜索的工具，它的语法十分强大而灵活，然而也有点晦涩难懂（我比较愚钝）。

有些人在碰到问题时，就像：“我知道，我可以使用正则表达式。” 现在，他们就有2个问题了--------Jamie “jwz” Zawinski ( 1997.8)

二，两个重要概念：

1.匹配（match）：

匹配是指判断一个模式（pattern）能否在字符串起始处全部或者部分地区匹配，python里面用的match(), Java 用的matches()。

2.搜索：

搜索是指在字符串任意部分中搜索匹配的模式（patter），python中的用的search(), Java用的find()

三，特殊符号（元符号）：

1. 语法：

正则表达式用一个模式（pattern）来匹配某个字符串，这个模式也是一个字符串，不过这个字符串从左到右地用一些特殊符号来表示所要匹配的对象。

2. 特殊符号：

1. 符号

表示法	描述	示例
literal	匹配文本字符串的字面值	foo
re1|re2	匹配模式re1或者re2	foo| bar
.	匹配任意字符[a-zA-Z0-9]	b.b
^	匹配字符串起始部分	^oo
$	匹配字符串终止部分	cpp$
*	匹配0次或者多次前面的模式	oo*
+	匹配1次或者多次前面出现的模式	[a-z]+.com
?	匹配0次或者1次前面出现的模式	foo?
{M}, {M,N}	匹配前面的模式M次，或者M至N次	a{1, 3}
[…], […-…]	匹配[]中的字符或者字符集	[a-z],[0-9]
[^…]	不匹配[]中的任一字符	[^a-z]
(X)	匹配括号中封闭的模式，并存为子组，可在后面用\i去引用它	(.f)oo
X|Y	逻辑或，匹配X或者Y	f(oo | ee)

2. 字符类

表示法	描述	示例
\d	表示十进制数字，等价于[0-9]	data\d?\.txt
\w	匹配任何字母与数字，等价于[0-9a-zA-Z] (\W 大写则表示不匹配)	\w+\.cpp
\s	匹配任何空白字符（空格，制表符等）,等价于[A-Za-z0-9]（\S 大写则表示不匹配）	hello\shi
\b	匹配任何单词边界（\B与之相反）	\bThe\b(只能匹配单个The单词)
\N	匹配第N个子组（上面提到的用()起来的模式）	price:\16
\c	逐字匹配任何特殊字符c，仅按照字符意思来匹配，即防止转义	\. , \\, \*

3.量词

量词描述了一个文本吸收输入文本的方式（简单来说就是匹配次数），分类如下

贪婪型	勉强型（非贪婪）	如何匹配
X?	X??	一个或零个X
X*	X*?	零个或者多个X
X+	X+?	一个或多个X
X{m,}, X{m,} X{m,n}	X{m,}, X{m,} X{m,n｝	m次或者m次以上，或者m到n次

• 正则表达式用*, ?, + 来表达匹配次数（非具体的）
• 贪婪模式：即指定尽可能多地在匹配更多的模式，如表达式 “ａ+b”，可以匹配"aaaab",但是“ａb”就匹配不了"aaaab"
• 非贪婪模式：即指定尽可能少地匹配，如在用搜索模式得到<p> hello world</p>的标签时（假设我不知标签内字符数量），如果用“<.＋>“来搜索,那么我会得到<p> hello world </p>而不是我们要的标签，为啥呢？因为”.“这个表达式因为"＋"而被指定了贪婪模式，它会尽可能多匹配字符，所有”.+“匹配包括第一个”<"和最后一个“>”之间，而要指定非贪婪怎么办呢？在“.+”后面加“？”就可以了，即“<.+?>”,这时便会搜索到标签了

In [1]: test = "<p> hello world </p>"

In [2]: import re

In [3]: pat_1 = re.compile("<.+>")

In [4]: result_1 = pat_1.search(test)

In [5]: result_1
Out[5]: <re.Match object; span=(0, 20), match='<p> hello world </p>'>

In [6]: pat_2 = re.compile("<.+?>")

In [7]: result_2 = pat_2.search(test)

In [8]: result_2
Out[8]: <re.Match object; span=(0, 3), match='<p>'>

4.几个常用的正则表达式

表达式	用处
^[\u4e00-\u9fa5]{0,}$	汉字
^\w+([-+.]\w+)@\w+([-.]\w+).\w+([-.]\w+)*$	邮箱地址
[a-zA-z]+://[^\s]* 或 ^http://([\w-]+.)+[\w-]+(/[\w-./?%&=]*)?$	url地址
^\d{15}|\d{18}$	身份证
^\d{4}-\d{1,2}-\d{1,2}	日期
\d+.\d+.\d+.\d+	IP地址

5.后话

正则表达式不管在python, java,还是C++中都有相应的库，关于这些库的用法以后再说，以上的东西都是一些最基本的，但也是最通用的，学会了以后便会少一个问题。