正则表达式从“入门”到“入门”

马谦马谦马谦 2017年10月16日22:20:45 发表评论
文章最后编辑于:2018-5-22 11:50:24

一、概述

正则表达式,又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法(英语:Regular Expression,在代码中常简写为regex、regexp或RE),是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。

Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思,Regular Expression即“描述某种规则的表达式”之意。

本篇将介绍正则表达式的基本语法,所有代码基于python完成,环境:python2.7 + re模块,python操作正则的方法详见: python正则表达式的使用方法

二、语法规则

2.1 元字符

2.1.1 规则

  • \s:匹配空白区域,空白区域也包含 \t\n等。
  • \d:匹配数字0-9
  • \w:匹配字母、数字或者下划线。
  • \b:匹配边界,单词的便捷或者字符串的开头和结尾。
  • .:匹配除换行符以外的所有字符。
  • ^:匹配字符串的开始。
  • $:匹配字符串的结束。
  • []:匹配[]中列举的字符,例如[abc]可以匹配a、b或者c字符。

2.1.2 案例

  • 匹配"HelloWorld"中的"Hello"

  • 匹配手机号码

  • 匹配非0开头的两位数

  • 匹配以小写字母开头的字符串

2.2 限定符

限定符用来限定字符出现的次数

2.2.1 规则

  • *:重复0次或以上。
  • +:重复0次以上。
  • ?:重复0次或者1次。
  • {n}:重复n次。
  • {m, n}:重复m-n次。
  • {n, }:重复n次以上。

2.2.2 使用案例

  • 在上面,判断手机号码需要写10个d,有了限定符之后可以这样写:

  • 找出一段字符串中所有的三位数

  • 找出所有长度为4-5的单词

2.3反义符

2.3.1 规则

  • \W:匹配任意不是字母、数字以及下划线的字符。
  • \D:匹配非数字。
  • \S:匹配非空白字符。
  • \B:匹配非边界。
  • [^x]:匹配除x以外的字符。
  • [^abc]:匹配除a、b、c以外的字符。

2.3.2 案例

  • 找出字符串中所有的非空白部分

  • 找到所有的非0开头的三位数

2.4 分组

2.4.1 设置分组

相对于上面的内容来说,分组算是正则语法中的高级部分了,相对也复杂一点,个人感觉分组也是正则表达式的精髓所在,只要用好了分组,正则表达式将会变得非常灵活。

要想把一个匹配内容作为分组,只需用括号包起来即可,例如匹配一段html代码中的标签:

这里的把匹配字符串<(w+)><(w+)>([ws]*)<(/w+)><(/w+)>分为了五组,分别是五个括号包起来的区块。

2.4.2 引用分组

假设把上面匹配html标签例子的字符串改成<head><html>This is regex</head></html>再使用同样的正则表达式来匹配,发现同样也能匹配到结果("head", "html", "This is regex", "/head", "/html"),然而在网页中这段代码就是错误的,因为标签根本不匹配。

这个问题要怎么解决,这里就需要用到引用分组了,引用分组其实就是引用匹配过程中前面分组匹配到的字符串,引用的方法是+分组序号,例如表示引用第一个分组,在上面的例子中就相当于引用html字符串。有了引用分组之后,上面的html匹配就可以改为:

这时,再把匹配字符串修改为<head><html>This is regex</head></html>就不会有匹配,将会输出no matched

2.4.3 给分组取别名

引用分组有两种方式,一种是使用序号引用,另一种是取别名引用,规则为:

  • (?P<name>):给分组设置别名。
  • (?P=name):引用name分组匹配到的字符串。

使用别名匹配html标签:r"<(?P<html_tag>w+)><(?P<head_tag>w+)>([ws]*)</(?P=head_tag)></(?P=html_tag)>"

2.5 贪婪模式和非贪婪模式

假设有一段字符串如下所示:

我想匹配出其中的手机号码,正则表达式为:(.*)(d*-d*-d*)

按照预想,结果应该为:

然而实际上当我们运行程序之后发现结果为:

和想象中的并不一样,这是为什么呢?其实仔细一看也能发现,字符串168也属于.*的匹配范围之内,所以168默认匹配到了第一个分组里去了。这里涉及到正则的贪婪运算,贪婪的意思是尽可能多,在满足匹配条件的情况下,尽可能多的匹配当前规则字符串。默认情况下正则表达式是贪婪的,如果要取消贪婪模式,只要在限定符后面加一个?就可以了,规则如下:

  • *?:重复一次或多次,尽可能少重复
  • +?:重复一次以上,尽可能少重复
  • ??:重复0次或1次,尽可能少重复

所以上面的正则写成(.+?)(d+-d+-d+)就能按照预想来输出了。

本文共执行60次查询,耗时0.355秒!
马谦马谦马谦

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: