導(dǎo)讀：正則在各語言中的使用是有差異的，本文以 Python 3 為基礎(chǔ)。本文主要講述的是正則的語法，對(duì)于 re 模塊不做過多描述，只會(huì)對(duì)一些特殊地方做提示。
很多人覺得正則很難，在我看來，這些人一定是沒有用心。其實(shí)正則很簡(jiǎn)單，根據(jù)二八原則，我們只需要懂 20% 的內(nèi)容就可以解決 80% 的問題了。我曾經(jīng)有幾年幾乎每天都跟正則打交道，剛接手項(xiàng)目的時(shí)候我對(duì)正則也是一無所知，花半小時(shí)百度了一下，然后寫了幾個(gè) demo，就開始正式接手了。三年多時(shí)間，我用到的正則鮮有超出我最初半小時(shí)百度到的知識(shí)的。
1、正則基礎(chǔ)
1.1、基礎(chǔ)語法
（1）常用元字符
| 語法 | 描述 |
|---|---|
| \b | 匹配單詞的開始或結(jié)束 |
| \d | 匹配數(shù)字 |
| \s | 匹配任意不可見字符（空格、換行符、制表符等），等價(jià)于[ \f\n\r\t\v]。 |
| \w | 匹配任意 Unicode 字符集，包括字母、數(shù)字、下劃線、漢字等 |
| . | 匹配除換行符（\n）以外的任意字符 |
| ^ 或 \A | 匹配字符串或行的起始位置 |
| $ 或 \Z | 匹配字符串或行的結(jié)束位置 |
（2）限定詞（又叫量詞）
| 語法 | 描述 |
|---|---|
| * | 重復(fù)零次或更多次 |
| + | 重復(fù)一次或更多次 |
| ? | 重復(fù)零次或一次 |
| {n} | 重復(fù) n 次 |
| {n,} | 重復(fù) n 次或更多次 |
| {n,m} | 重復(fù) n 到 m 次 |
（3）常用反義詞
| 語法 | 描述 |
|---|---|
| \B | 匹配非單詞的開始或結(jié)束 |
| \D | 匹配非數(shù)字 |
| \S | 匹配任意可見字符， [^ \f\n\r\t\v] |
| \W | 匹配任意非 Unicode 字符集 |
| [^abc] | 除 a、b、c 以外的任意字符 |
（4）字符族
| 語法 | 描述 |
|---|---|
| [abc] | a、b 或 c |
| [^abc] | 除 a、b、c 以外的任意字符 |
| [a-zA-Z] | a 到 z 或 A 到 Z |
| [a-d[m-p]] | a 到 d 或 m 到 p，即 [a-dm-p]（并集） |
| [a-z&&[def]] | d、e 或 f（交集） |
| [a-z&&[^bc]] | a 到 z，除了 b 和 c：[ad-z]（減去） |
| [a-z&&[^m-p]] | a 到 z，減去 m 到 p：[a-lq-z]（減去） |
以上便是正則的基礎(chǔ)內(nèi)容，下面來寫兩個(gè)例子看下：
s = '123abc你好'
re.search('\d+', s).group()
re.search('\w+', s).group()
結(jié)果：
123
123abc你好
是不是很簡(jiǎn)單？
1.2、修飾符
修飾符在各語言中也是有差異的。
Python 中的修飾符：
| 修飾符 | 描述 |
|---|---|
| re.A | 匹配 ASCII字符類，影響 \w, \W, \b, \B, \d, \D |
| re.I | 忽略大小寫 |
| re.L | 做本地化識(shí)別匹配（這個(gè)極少極少使用） |
| re.M | 多行匹配，影響 ^ 和 $ |
| re.S | 使 . 匹配包括換行符（\n）在內(nèi)的所有字符 |
| re.U | 匹配 Unicode 字符集。與 re.A 相對(duì)，這是默認(rèn)設(shè)置 |
| re.X | 忽略空格和 # 后面的注釋以獲得看起來更易懂的正則。 |
（1）re.A
修飾符 A 使 \w 只匹配 ASCII 字符，\W 匹配非 ASCII 字符。
s = '123abc你好'
re.search('\w+', s, re.A).group()
re.search('\W+', s, re.A).group()
結(jié)果：
123abc
你好
但是描述中還有 \d 和 \D，數(shù)字不都是 ASCII 字符嗎？這是什么意思？別忘了，還有 全角和半角！
s = '０１２３４５６７８９' # 全角數(shù)字
re.search('\d+', s, re.U).group()
結(jié)果：
０１２３４５６７８９
（2）re.M
多行匹配的模式其實(shí)也不常用，很少有一行行規(guī)整的數(shù)據(jù)。
s = 'aaa\r\nbbb\r\nccc'
re.findall('^[\s\w]*?$', s)
re.findall('^[\s\w]*?$', s, re.M)
結(jié)果：
['aaa\r\nbbb\r\nccc'] # 單行模式
['aaa\r', 'bbb\r', 'ccc'] # 多行模式
（3）re.S
這個(gè)簡(jiǎn)單，直接看個(gè)例子。
s = 'aaa\r\nbbb\r\nccc'
re.findall('^.*', s)
re.findall('^.*', s, re.S)
結(jié)果：
['aaa\r']
['aaa\r\nbbb\r\nccc']
（4）re.X
用法如下：
rc = re.compile(r"""
\d+ # 匹配數(shù)字
# 和字母
[a-zA-Z]+
""", re.X)
rc.search('123abc').group()
結(jié)果：
123abc
注意，用了
X修飾符后，正則中的所有空格會(huì)被忽略，包括正則里面的原本有用的空格。如果正則中有需要使用空格，只能用\s代替。
（5）(?aiLmsux)
修飾符不僅可以代碼中指定，也可以在正則中指定。(?aiLmsux) 表示了以上所有的修飾符，具體用的時(shí)候需要哪個(gè)就在 ? 后面加上對(duì)應(yīng)的字母，示例如下，(?a) 和 re.A 效果是一樣的：
s = '123abc你好'
re.search('(?a)\w+', s).group()
re.search('\w+', s, re.A).group()
結(jié)果是一樣的：
123abc
123abc
1.3、貪婪與懶惰
當(dāng)正則表達(dá)式中包含能接受重復(fù)的限定符時(shí)，通常的行為是（在使整個(gè)表達(dá)式能得到匹配的前提下）匹配盡可能多的字符。
s = 'aabab'
re.search('a.*b', s).group() # 這就是貪婪
re.search('a.*?b', s).group() # 這就是懶惰
結(jié)果：
aabab
aab
簡(jiǎn)單來說：
- 所謂貪婪，就是盡可能 多 的匹配；
- 所謂懶惰，就是盡可能 少 的匹配。
-
*、+、{n,}這些表達(dá)式屬于貪婪； -
*?、+?、{n,}?這些表達(dá)式就是懶惰（在貪婪的基礎(chǔ)上加上?）。
2、正則進(jìn)階
2.1、捕獲分組
| 語法 | 描述 |
|---|---|
| (exp) | 匹配exp，并捕獲文本到自動(dòng)命名的組里 |
| (?P<name>exp) | 匹配exp，并捕獲文本到名稱為 name 的組里 |
| (?:exp) | 匹配exp，不捕獲匹配的文本，也不給此分組分配組號(hào) |
| (?P=name) | 匹配之前由名為 name 的組匹配的文本 |
注意：在其他語言或者網(wǎng)上的一些正則工具中，分組命名的語法是
(?<name>exp)或(?'name'exp)，但在 Python 里，這樣寫會(huì)報(bào)錯(cuò)：This named group syntax is not supported in this regex dialect。Python 中正確的寫法是：(?P<name>exp)
示例一：
分組可以讓我們用一條正則提取出多個(gè)信息，例如：
s = '姓名：張三；性別：男；電話：138123456789'
m = re.search('姓名[:：](\w+).*?電話[:：](\d{11})', s)
if m:
name = m.group(1)
phone = m.group(2)
print(f'name:{name}, phone:{phone}')
結(jié)果：
name:張三, phone:13812345678
示例二：
(?P<name>exp) 有時(shí)還是會(huì)用到的， (?P=name) 則很少情況下會(huì)用到。我想了一個(gè) (?P=name) 的使用示例，給大家看下效果：
s = '''
<name>張三</name>
<age>30</age>
<phone>138123456789</phone>
'''
pattern = r'<(?P<name>.*?)>(.*?)</(?P=name)>'
It = re.findall(pattern, s)
結(jié)果：
[('name', '張三'), ('age', '30'), ('phone', '138123456789')]
2.2、零寬斷言
| 語法 | 描述 |
|---|---|
| (?=exp) | 匹配exp前面的位置 |
| (?<=exp) | 匹配exp后面的位置 |
| (?!exp) | 匹配后面跟的不是exp的位置 |
| (?<!exp) | 匹配前面不是exp的位置 |
注意：正則中常用的前項(xiàng)界定
(?<=exp)和前項(xiàng)否定界定(?<!exp)在 Python 中可能會(huì)報(bào)錯(cuò)：look-behind requires fixed-width pattern，原因是 python 中 前項(xiàng)界定的表達(dá)式必須是定長的，看如下示例：
(?<=aaa) # 正確
(?<=aaa|bbb) # 正確
(?<=aaa|bb) # 錯(cuò)誤
(?<=\d+) # 錯(cuò)誤
(?<=\d{3}) # 正確
2.3、條件匹配
這大概是最復(fù)雜的正則表達(dá)式了。語法如下：
| 語法 | 描述 |
|---|---|
| (?(id/name)yes|no) | 如果指定分組存在，則匹配 yes 模式，否則匹配 no 模式 |
此語法極少用到，印象中只用過一次。
以下示例的要求是：如果以 _ 開頭，則以字母結(jié)尾，否則以數(shù)字結(jié)尾。
s1 = '_abcd'
s2 = 'abc1'
pattern = '(_)?[a-zA-Z]+(?(1)[a-zA-Z]|\d)'
re.search(pattern, s1).group()
re.search(pattern, s2).group()
結(jié)果：
_abcd
abc1
2.4、findall
Python 中的 re.findall 是個(gè)比較特別的方法（之所以說它特別，是跟我常用的 C# 做比較，在沒看注釋之前我想當(dāng)然的掉坑里去了）。我們看這個(gè)方法的官方注釋：
Return a list of all non-overlapping matches in the string.
If one or more capturing groups are present in the pattern, return
a list of groups; this will be a list of tuples if the pattern
has more than one group.
Empty matches are included in the result.
簡(jiǎn)單來說，就是
- 如果沒有分組，則返回整條正則匹配結(jié)果的列表；
- 如果有 1 個(gè)分組，則返回分組匹配到的結(jié)果的列表；
- 如果有多個(gè)分組，則返回分組匹配到的結(jié)果的元組的列表。
看下面的例子：
s = 'aaa123bbb456ccc'
re.findall('[a-z]+\d+', s) # 不包含分組
re.findall('[a-z]+(\d+)', s) # 包含一個(gè)分組
re.findall('([a-z]+(\d+))', s) # 包含多個(gè)分組
re.findall('(?:[a-z]+(\d+))', s) # ?: 不捕獲分組匹配結(jié)果
結(jié)果：
['aaa123', 'bbb456']
['123', '456']
[('aaa123', '123'), ('bbb456', '456')]
['123', '456']
零寬斷言中講到 Python 中前項(xiàng)界定必須是定長的，這很不方便，但是配合 findall 有分組時(shí)只取分組結(jié)果的特性，就可以模擬出非定長前項(xiàng)界定的效果了。
結(jié)語
其實(shí)正則就像是一個(gè)數(shù)學(xué)公式，會(huì)背公式不一定會(huì)做題。但其實(shí)這公式一點(diǎn)也不難，至少比學(xué)校里學(xué)的數(shù)學(xué)簡(jiǎn)單多了，多練習(xí)幾次也就會(huì)了。
掃碼關(guān)注我的個(gè)人公眾號(hào)：大齡碼農(nóng)的Python之路
