【正则表达式一】正则表达式语法及应用

正则表达式

正则表达式（regular  expression）是⼀种⼯具，⼀种⼴泛⽤于匹配字符串的⼯具。它⽤⼀个“字符串”来描述⼀个特征，然后去验证另⼀个“字符串”是否符合这个特征。⽐如 表达式“ab+”描述的特征是“⼀个’a’和任意个’b’”，那么’ab’,‘abb’,'abbbbbbbbbb’都符合这个特征。

1、正则表达式语法

正则表达式本质上只做⼀件事，那就是编写⼀个表达式“字符串”，然后⽤这个字符串去匹配⽬标⽂本。核⼼的核⼼，都在编写这个“字符串”表达式上⾯。

1、re模块操作

在Python中需要通过正则表达式对字符串进⾏匹配的时候，可以使⽤⼀个模块，名字为re。

import re
 # 使⽤match⽅法进⾏匹配操作
 result = re.match(正则表达式,要匹配的字符串)
 # 如果上⼀步匹配到数据的话，可以使⽤group⽅法来提取数据
 result.group()

2、普通字符

字⺟、数字、汉字、下划线、以及没有特殊定义的符号，都是"普通字符"。正则表达式中的普通字符，在匹配的时候,只匹配与⾃身相同的⼀个字符。
例如：表达式c，在匹配字符串abcde时，匹配结果是：成功；匹配到的内容是c；匹配到的位置开始于2，结束于3。（注：下标从0开始还是从1开始，因当前编程语⾔的不同⽽可能不同）。

3、元字符

正则表达式中使⽤了很多元字符，⽤来表示⼀些特殊的含义或功能。

表达式	匹配
.	⼩数点可以匹配除了换⾏符\n以外的任意⼀个字符
|	逻辑或操作符
[]	匹配字符集中的⼀个字符
[^]	对字符集求反，也就是上⾯的反操作。尖号必须在⽅括号⾥的最前⾯
-	定义[]⾥的⼀个字符区间，例如[a-z]
\	对紧跟其后的⼀个字符进⾏转义
()	对表达式进⾏分组，将圆括号内的内容当做⼀个整体，并获得匹配的值

4、转义字符

⼀些⽆法书写或者具有特殊功能的字符，采⽤在前⾯加斜杠""进⾏转义的⽅法。

表达式	匹配
\r,\n	匹配回⻋和换⾏符
\t	匹配制表符
\\	匹配斜杠\
\^	匹配^符号
\$	匹配$符号
\.	匹配⼩数点.
尚未列出的还有问号？、星号*和括号等其他的符号。所有正则表达式中具有特殊含义的字符在匹配⾃身的时候，都要使⽤斜杠进⾏转义。这些转义字符的匹配⽅法与普通字符类似，也是匹配与之相同的⼀个字符。

5、预定义匹配字符集

正则表达式中的⼀些表示⽅法，可以同时匹配某个预定义字符集中的任意⼀个字符。⽐如，表达式\d可以匹配任意⼀个数字。虽然可以匹配其中任意字符，但是只能是⼀个，不是多个。

表达式	匹配
\d	任意⼀个数字，0~9 中的任意⼀个
\w	任意⼀个字⺟或数字或下划线，也就是 A-Z,a-z,0-9,_ 中的任意⼀个
\s	空格、制表符、换⻚符等空⽩字符的其中任意⼀个
\D	\d的反集，也就是⾮数字的任意⼀个字符，等同于[^\d]
\W	\w的反集，也就是[^\w]
\S	\s的反集，也就是[^\s]
例如表达式\d\d，在匹配abc123时，匹配的结果是：成功；匹配到的内容是12；匹配到的位置开始于3，结束于5。 (前提是⽤search来匹配，⽤match是匹配不到的)

6、重复匹配

前⾯的表达式，⽆论是只能匹配⼀种字符的表达式，还是可以匹配多种字符其中任意⼀个的表达式，都只能匹配⼀次。但是有时候我们需要对某个⽚段进⾏重复匹配，例如⼿机号码13666666666，⼀般的新⼿可能会写成\d\d\d\d\d\d\d\d\d\d\d（注意，这不是⼀个恰当的表达式），不但写着费劲，看着也累，还不⼀定准确恰当。
这种情况可以使⽤表达式再加上修饰匹配次数的特殊符号{}，不⽤重复书写表达式就可以重复匹配。⽐如[abcd][abcd]可以写成[abcd]{2}。

表达式	匹配
{n}	表达式重复n次，⽐如\d{2}相当于\d\d,a{3}相当于aaa
{m,n}	表达式⾄少重复m次，最多重复n次。⽐如ab{1,3}可以匹配ab或abb或abbb
{m,}	表达式⾄少重复m次，⽐如\w\d{2,}可以匹配a12,_1111,M123等等
?	匹配表达式0次或者1次，相当于{0,1}，⽐如a[cd]?可以匹配a,ac,ad
+	表达式⾄少出现1次，相当于{1,}，⽐如a+b可以匹配ab,aab,aaab等等
*	表达式出现0次到任意次，相当于{0,}，⽐如^*b可以匹配b,^^^b等等

7、位置匹配

有时候，我们对匹配出现的位置有要求，⽐如开头、结尾、单词之间等等。

表达式	匹配
^	在字符串开始的地⽅匹配，符号本身不匹配任何字符
$	在字符串结束的地⽅匹配，符号本身不匹配任何字符
\b	匹配⼀个单词边界，也就是单词和空格之间的位置，符号本身不匹配任何字符
\B	匹配⾮单词边界，即左右两边都是\w范围或者左右两边都不是\w范围时的字符缝隙
例如表达式^aaa在匹配xxx aaa xxx时，匹配结果是：失败。因为^要求在字符串开始的地⽅匹配。
表达式aaa$在匹配xxxaaaxxx时，匹配结果是：失败。因为$要求在字符串结束的地⽅匹配。
表达式.\b.在匹配@@@abc时，匹配结果是：成功；匹配到的内容是@a；匹配到的位置开始于2，结束于4。
表达式\bend\b在匹配weekend,endfor,end时，匹配结果是：成功；匹配到的内容是end；匹配到的位置开始于15，结束于18。

8、贪婪和非贪婪模式

在重复匹配时，正则表达式默认总是尽可能多的匹配，这被称为贪婪模式。⽐如，针对⽂本dxxxdxxxd，表达式(d)(\w+)(d)中的\w+将匹配第⼀个d和最后⼀个d之间的所有字符xxxdxxx。可⻅，\w+在匹配的时候，总是尽可能多的匹配符合它规则的字符。同理，带有?、*和{m,n}的重复匹配表达式都是尽可能地多匹配。
但是有时候，这种模式不是我们想要的结果，⽐如最常⻅的HTML标签匹配。假设有如下的字符串：

 <table>
    <tr>
        <td>苹果</td>
        <td>桃⼦</td>
        <td>⾹蕉</td>
    </tr>
</table>

我们的意图是获取每个标签中的元素内容，那么如果你将正则表达式写成(.*)的话，你得到的是苹果桃⼦⾹蕉这么个东⻄，⽽不是“苹果”、“桃⼦”、“⾹蕉”。
在修饰匹配次数的特殊符号后再加上⼀个?问号，则可以使匹配次数不定的表达式尽可能少的匹配，使可匹配可不匹配的表达式，尽可能的"不匹配"。如果少匹配就会导致整个表达式匹配失败的时候，与贪婪模式类似，⾮贪婪模式会最⼩限度的再多匹配⼀些，以使整个表达式匹配成功。表达式(.*?)匹配上⾯的字符串时，将只得到苹果，再次匹配下⼀个时，可以得到桃⼦，以此类推。

9、常用正则表达式

功能	表达式
数字	1*$
n位的数字	^\d{n}$
⾄少n位的数字	^\d{n,}$
零和⾮零开头的数字	^(0|[1-9][0-9]*)$
有两位⼩数的正实数	2+(.[0-9]{2})?$
⾮零的负整数	^-[1-9]\d*$
⾮负浮点数	^\d+(.\d+)?$
浮点数	^(-?\d+)(.\d+)?$
特殊场景的表达式:

功能	表达式
Email地址	^\w+([-+.]\w+)*@\w+([-.]\w+)*.\w+([-.]\w+)*$
域名	[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
⼿机号码	^(13[0-9]|14[5|7]|15[0|1|2|3|5|6\7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$
身份证号	^\d{15}|\d{18}$(15位、18位数字)
⽇期格式	^\d{4}-\d{1,2}-\d{1,2}
空⽩⾏的正则表达式	\n\s*\r (可以⽤来删除空⽩⾏)
IP地址提取	\d+.\d+.\d+.\d+ (提取IP地址时有⽤)
腾讯QQ号	[1-9][0-9]{4,} (腾讯QQ号从10000开始)

---

1. 0-9 ↩︎

2. 0-9 ↩︎