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
和\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。
评论