注：本文翻譯自 Regular Expression HOWTO,，小甲魚童鞋對(duì)此做了一些注釋和修改,。


正則表達(dá)式介紹

正則表達(dá)式（Regular expressions 也稱為 REs，或 regexes 或 regex patterns）本質(zhì)上是一個(gè)微小的且高度專業(yè)化的編程語言,。它被嵌入到 Python 中,，并通過 re 模塊提供給程序猿使用。使用正則表達(dá)式,，你需要指定一些規(guī)則來描述那些你希望匹配的字符串集合,。這些字符串集合可能包含英語句子、 e-mail 地址,、TeX 命令,，或任何你想要的東東。

正則表達(dá)式模式被編譯成一系列的字節(jié)碼,，然后由一個(gè) C 語言寫的匹配引擎所執(zhí)行,。對(duì)于高級(jí)的使用，你可能需要更關(guān)注匹配引擎是如何執(zhí)行給定的 RE,，并通過一定的方式來編寫 RE,，以便產(chǎn)生一個(gè)可以運(yùn)行得更快的字節(jié)碼,。本文暫不講解優(yōu)化的細(xì)節(jié)，因?yàn)檫@需要你對(duì)匹配引擎的內(nèi)部機(jī)制有一個(gè)很好的理解,。但本文的例子均是符合標(biāo)準(zhǔn)的正則表達(dá)式語法,。

小甲魚注釋：Python 的正則表達(dá)式引擎是用 C 語言寫的，所以效率是極高的,。另,，所謂的正則表達(dá)式，這里說的 RE,，就是上文我們提到的“一些規(guī)則”,。

正則表達(dá)式語言相對(duì)較小，并且受到限制,，所以不是所有可能的字符串處理任務(wù)都可以使用正則表達(dá)式來完成,。還有一些特殊的任務(wù)，可以使用正則表達(dá)式來完成,，但是表達(dá)式會(huì)因此而變得非常復(fù)雜,。在這種情況下，你可能通過自己編寫 Python 代碼來處理會(huì)更好些,；盡管 Python 代碼比一個(gè)精巧的正則表達(dá)式執(zhí)行起來會(huì)慢一些,，但可能會(huì)更容易理解。

小甲魚注釋：這可能是大家常說的“丑話說在前”吧,，大家別管他,，正則表達(dá)式非常優(yōu)秀，她可以處理你 98.3% 的文本任務(wù),，一定要好好學(xué)哦~~~~~


簡單的模式

我們將從最簡單的正則表達(dá)式學(xué)習(xí)開始,。由于正則表達(dá)式常用于操作字符串的，因此我們從最常見的任務(wù)下手：字符匹配,。


字符匹配

大多數(shù)字母和字符會(huì)匹配它們自身。舉個(gè)例子,，正則表達(dá)式 FishC 將完全匹配字符串 "FishC",。（你可以啟用不區(qū)分大小寫模式，這將使得 FishC 可以匹配 "FISHC" 或 "fishc",，我們會(huì)在后邊討論這個(gè)話題,。）

當(dāng)然這個(gè)規(guī)則也有例外。有少數(shù)特殊的字符我們稱之為元字符（metacharacter）,，它們并不能匹配自身,，它們定義了字符類、子組匹配和模式重復(fù)次數(shù)等,。本文用很大的篇幅專門討論了各種元字符及其作用,。

下邊是元字符的完整列表（我們將在后邊逐一講解）：

.   ^   $   *   +   ?   { }   [ ]   \   |   ( )

小甲魚注釋：如果沒有這些元字符,，正則表達(dá)式就變得跟字符串的 find() 方法一樣平庸了......


我們先來看下方括號(hào) [ ]，它們指定一個(gè)字符類用于存放你需要匹配的字符集合,?？梢詥为?dú)列出需要匹配的字符，也可以通過兩個(gè)字符和一個(gè)橫桿 - 指定匹配的范圍,。例如 [abc] 會(huì)匹配字符 a,，b 或 c；[a-c] 可以實(shí)現(xiàn)相同的功能,。后者使用范圍來表示與前者相同的字符集合,。如果你想只匹配小寫字母，你的 RE 可以寫成 [a-z],。

需要注意的一點(diǎn)是：元字符在方括號(hào)中不會(huì)觸發(fā)“特殊功能”,，在字符類中，它們只匹配自身,。例如 [akm$] 會(huì)匹配任何字符 'a',，'k'，'m' 或 '$',，'$' 是一個(gè)元字符,，但在方括號(hào)中它不表示特殊含義，它只匹配 '$' 字符本身,。

你還可以匹配方括號(hào)中未列出的所有其他字符,。做法是在類的開頭添加一個(gè)脫字符號(hào) ^ ，例如 [^5] 會(huì)匹配除了 '5' 之外的任何字符,。


或許最重要的元字符當(dāng)屬反斜杠 \ 了,。跟 Python 的字符串規(guī)則一樣，如果在反斜杠后邊緊跟著一個(gè)元字符,，那么元字符的“特殊功能”也不會(huì)被觸發(fā),。例如你需要匹配符號(hào) [ 或 \，你可以在它們前面加上一個(gè)反斜杠,，以消除它們的特殊功能：\[,，\\。

反斜杠后邊跟一些字符還可以表示特殊的意義,，例如表示十進(jìn)制數(shù)字,，表示所有的字母或者表示非空白的字符集合。

小甲魚解釋：反斜杠真牛逼,，反斜杠后邊跟元字符去除特殊功能,，反斜杠后邊跟普通字符實(shí)現(xiàn)特殊功能。

讓我們來舉個(gè)例子：\w 匹配任何字符,。如果正則表達(dá)式以字節(jié)的形式表示,，這相當(dāng)于字符類 [a-zA-Z0-9_],；如果正則表達(dá)式是一個(gè)字符串，\w 會(huì)匹配所有 Unicode 數(shù)據(jù)庫（unicodedata 模塊提供）中標(biāo)記為字母的字符,。你可以在編譯正則表達(dá)式的時(shí)候,，通過提供 re.ASCII 表示進(jìn)一步限制 \w 的定義。

小甲魚解釋：re.ASCII 標(biāo)志使得 \w 只能匹配 ASCII 字符,，不要忘了,，Python3 是 Unicode 的。

下邊列舉一些反斜杠加字符構(gòu)成的特殊含義：

它們可以包含在一個(gè)字符類中,，并且一樣擁有特殊含義,。例如 [\s,.] 是一個(gè)字符類，它將匹配任何空白字符（/s 的特殊含義）,，',' 或 '.',。 

最后我們要講的一個(gè)元字符是 .，它匹配除了換行符以外的任何字符,。如果設(shè)置了 re.DOTALL 標(biāo)志,，. 將匹配包括換行符在內(nèi)的任何字符。


重復(fù)的事情

使用正則表達(dá)式能夠輕松的匹配不同的字符集合,，但 Python 字符串現(xiàn)有的方法卻無法實(shí)現(xiàn),。然而，如果你認(rèn)為這是正則表達(dá)式的唯一優(yōu)勢(shì),，那你就 too young too native 了,。正則表達(dá)式有另一個(gè)強(qiáng)大的功能，就是你可以指定 RE 部分被重復(fù)的次數(shù),。


我們來看看 * 這個(gè)元字符，當(dāng)然它不是匹配 '*' 字符本身（我們說過元字符都是有特殊能力的）,，它用于指定前一個(gè)字符匹配零次或者多次,。

例如 ca*t 將匹配 ct（0 個(gè)字符 a），cat（1 個(gè)字符 a）,，caaat（3 個(gè)字符 a）,，等等,。需要注意的是，由于受到 C 語言的 int 類型大小的內(nèi)部限制,，正則表達(dá)式引擎會(huì)限制字符 'a' 的重復(fù)個(gè)數(shù)不超過 20 億個(gè),；不過，通常我們工作中也用不到那么大的數(shù)據(jù),。


正則表達(dá)式默認(rèn)的重復(fù)規(guī)則是貪婪的,，當(dāng)你重復(fù)匹配一個(gè) RE 時(shí)，匹配引擎會(huì)嘗試盡可能多的去匹配,。直到 RE 不匹配或者到了結(jié)尾,，匹配引擎就會(huì)回退一個(gè)字符，然后再繼續(xù)嘗試匹配,。

我們通過例子一步步的給大家講解什么叫“貪婪”：先考慮一下表達(dá)式 a[bcd]*b,，首先需要匹配字符 'a'，然后是零個(gè)到多個(gè) [bcd],，最后以 'b' 結(jié)尾,。那現(xiàn)在想象一下，這個(gè) RE 匹配字符串 abcbd 會(huì)怎樣,？

最終,，RE 匹配的結(jié)果是 abcb。

小甲魚解釋：正則表達(dá)式默認(rèn)的匹配規(guī)則是貪婪的,，后邊有教你如何使用非貪婪的方法匹配,。


另一個(gè)實(shí)現(xiàn)重復(fù)的元字符是 +，用于指定前一個(gè)字符匹配一次或者多次,。

要特別注意 * 和 + 的區(qū)別：* 匹配的是零次或者多次,，所以被重復(fù)的內(nèi)容可能壓根兒不會(huì)出現(xiàn)；+ 至少需要出現(xiàn)一次,。例如 ca+t 會(huì)匹配 cat 和 caaat,，但不會(huì)匹配 ct。


還有兩個(gè)表示重復(fù)的元字符,，其中一個(gè)是問號(hào) ?,，用于指定前一個(gè)字符匹配零次或者一次,。你可以這么想，它的作用就是把某種東西標(biāo)志位可選的,。例如 小?甲魚 可以匹配 小甲魚,，也可以匹配 甲魚。


最靈活的應(yīng)該是元字符 {m, n}（m 和 n 都是十進(jìn)制整數(shù)）,，上邊講到的幾個(gè)元字符都可以使用它來表達(dá),，它的含義是前一個(gè)字符必須匹配 m 次到 n 次之間。例如 a/{1, 3}b 會(huì)匹配 a/b,，a//b 和 a///b,。但不會(huì)匹配 ab（沒有斜杠）；也不會(huì)匹配a////b（斜杠超過三個(gè)）,。

你可以省略 m 或者 n,，這樣的話，引擎會(huì)假定一個(gè)合理的值代替,。省略 m,，將被解釋為下限 0；省略 n 則會(huì)被解釋為無窮大（事實(shí)上是上邊我們提到的 20 億）,。

小甲魚解釋：如果是 {, n} 相當(dāng)于 {0, n},；如果是 {m, } 相當(dāng)于 {m, +無窮}；如果是 {n},，則是重復(fù)前一個(gè)字符 n 次,。


聰明的魚油應(yīng)該已經(jīng)發(fā)現(xiàn)了，其實(shí) *,、+ 和 ? 都可以使用 {m, n} 來代替,。{0,} 跟 * 是一樣的；{1, } 跟 + 是一樣的,；{0, 1}跟 ? 是一樣的,。不過還是鼓勵(lì)大家記住并使用 *、+ 和 ?,，因?yàn)檫@些字符更短并且更容易閱讀,。

小甲魚解釋：還有一個(gè)原因是匹配引擎對(duì) * + ? 做了優(yōu)化，效率要更高些,。