正则表达式 ¶

正则表达式（Regular Expression）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。

———— 维基百科

语法 ¶

普通字符 ¶

普通字符包括没有显式指定为元字符的所有可打印和不可打印字符。这包括所有大写和小写字母、所有数字、所有标点符号和一些其他符号。

非打印字符 ¶

特殊字符 ¶

有一些特殊含义的字符。

限定符 ¶

用来指定一个子表达式出现了多少次

贪婪 ¶

* 和 + 的匹配都是贪婪的，即尽可能匹配更多的字符，而在它们后面加上 ? 就可以非贪婪（即最小匹配）

• <.*> 会匹配整个 <h1>header</h1> 字符串
• <.*?> 只会匹配其中的 <h1> 和 </h1>

定位符 ¶

只匹配位置，没有字符与之对应

定位符只能单独使用，不能附加限制符指定个数

分组 ¶

用 () 可以指定匹配一个组，使用 () 可以指定不同选项，每一项间用 | 分隔

同时 () 也是捕获分组，即括号内匹配的内容会被缓存，如果要避免这种，需要使用 (?:) 非捕获元来进行匹配

反向引用 ¶

被缓存的捕获分组可以直接使用 \n 再次引用，其中 n 是 1 到 2 位的十进制数
捕获分组的编号从 1 开始，最多 99 个，\1 即表示和第一个圆括号中匹配的结果相同的部分

如 (abc|def)\1 匹配 abcabc、defdef 但不匹配 abcdef、defabc

先行断言和后行断言 ¶

正则表达式有先行断言（lookahead）和后行断言（lookbehind），分为四种形式：

和定位符类似，它只匹配位置，不匹配内容，所以叫做零宽（zero-width），这些位置的规则是：

• (?=pattern)：匹配后面可以匹配 pattern 的位置
• (?!pattern)：匹配后面无法匹配 pattern 的位置
• (?<=pattern)：匹配前面可以匹配 pattern 的位置
• (?<!pattern)：匹配前面无法匹配 pattern 的位置

其中后行断言有些语言不支持（python re 支持）

修饰符 ¶

修饰符不属于表达式的内容，但是指定了匹配的规则，js 中的正则写法为 /pattern/flags
其中 flags 就是修饰符

不同语言中写法和种类不同

优先级 ¶

正则表达式也有优先级，同一优先级则从左向右运算，不同优先级则从高到低。从高到低：

• 转义符 \
• 括号符 (...) (?:...) (?=...) (?!...) (?<=...) (?<!...) [...] [^...]
• 限定符 * + ? {n} {n,} {n,m}
• 定位符 ^ $
• 字符
• 或 |

Python re 模块 ¶

python 的 re 模块提供了正则表达式的相关方法：

• re.match(pattern, string, flags=0)：使用 pattern 从头匹配 string，flags 为修饰符。
  匹配失败返回 None，匹配成功返回一个 re.Match
• re.search(pattern, string, flags=0)：使用 pattern 扫描整个 string，返回第一个匹配的 re.Match
• re.sub(pattern, repl, string, count=0, flags=0)：
  • pattern：要被替换部分的正则表达式
  • repl：替换的字符串，或者替换用的函数
    • 是函数时接受一个 re.Match，返回一个字符串
  • string：原字符串
  • count：替换的最大次数，是 0 时表示替换全部
  • flags：修饰符
• re.compile(pattern, flags=0)：编译一个正则表达式，返回一个 re.Pattern
• re.findall(pattern, string, flags=0)：在 string 中查找所有匹配 pattern 的结果，返回列表
• re.finditer(pattern, string, flags=0)：在 string 中查找所有匹配 pattern 的部分，返回迭代器
• re.split(pattern, string, maxsplit=0, flags=0)：
  • pattern：要保留部分的正则表达式
  • string：原字符串
  • maxsplit：分隔次数，是 0 是全部分隔
  • flags：修饰符
  • 返回一个分割后的列表
• re.escape(pattern)：转义 pattern 中的特殊字符

re.Pattern¶

用法类似直接使用 re，只是进行了预编译，并且固定了 pattern 和 flags

• Pattern.search(string[, pos[, endpos]])
• Pattern.match(string[, pos[, endpos]])
• Pattern.fullmatch(string[, pos[, endpos]])
• Pattern.split(string, maxsplit=0)
• Pattern.findall(string[, pos[, endpos]])
• Pattern.finditer(string[, pos[, endpos]])
• Pattern.sub(repl, string, count=0)
• Pattern.pattern：正则表达式
• Pattern.flags：修饰符
• Pattern.groups：int 值，pattern 中捕获组的个数
• Pattern.groupindex：一个字典，如果 pattern 中包含 (?P<name>...) 则包含一个从 name 映射到捕获组编号的键值对

re.Match¶

re.Match 是 match 和 search 在成功匹配时返回的类型

• Match.group([group])：返回字符串
  • group() 或 group(0) 返回匹配的完整字符串
  • group(i) 返回第 i 个捕获组
• Match.start([group])：Match.group([group]) 在整个原字符串中的起始位置（子串第一个字符的索引）
• Match.end([group])：Match.group([group]) 在整个原字符串中的结束位置（子串最后一个字符索引 +1）
• Match.span([group])：返回 (Match.start([group]), Match.end([group]))
• Match.__gettiem__([group])：等同于 .group([group])

额外语法 ¶

• (?#...)：注释，直接忽略
• (?P...)：为捕获组命名为 name（必须是合法 python 变量名，并且同一个 pattern 中不能重复），后面可以通过 name 引用，也可以通过编号引用。在 Match.group([group]) 的 group 中可以直接使用 "name" 来获取这个捕获组
• (?P=name)：与名字为 name 的捕获组完全相同的部分，相当于通过编号引用
• (?(id/name)yes-pattern|no-pattern)：如果编号为 id 或者名字为 name 的捕获组存在，则此处使用 yes-pattern，否则使用 no-pattern
  • 例如：(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$) 匹配 '<user@host.com>' 和 'user@host.com'，但不匹配 '<user@host.com' 和 'user@host.com>'

标识符 ¶

同时使用多个标识符，用 | 隔开（如 re.I | re.M 表示多行且忽略大小写）

a = re.compile(r"""\d +  # the integral part
                   \.    # the decimal point
                   \d *  # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")

Reference¶

• 菜鸟教程
• TonyCrane 正则表达式