正则表达式 (学习笔记)

正则表达式的难度不在于难懂,而在于对它的表述没有恰当的分类和组织,所以弄得很零散难以记忆。按照自己的理解和归纳记录一份笔记,以备遗忘时查看。

正则表达式(regular expressions)是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,我们就认为它“匹配”了,否则,该字符串就是不合法的。

1. 匹配的字符内容:

Regular String Explanation
\d 匹配一个数字 等价于[0-9]
\D 匹配一个非数字 等价于[^0-9]
\w 匹配一个字母或数字 等价于 [^A-Za-z0-9_]
实际是除了([0-9a-zA-Z_])还包含了希腊字母,俄文的字母等;所以 如果在用户信息注册的时候 需要注意 具体匹配的数据 切不可直接用\w就完事了
能不能匹配汉字要视你的操作系统和你的应用环境而定
\W 可以匹配一个非字母或数字 等价于[^a-zA-Z0-9_]
\s 可以匹配一个空格(也包括Tab等空白符)等价于 [ \f\n\r\t\v]
\S 匹配一个任何非空白字符。等价于 [^ \f\n\r\t\v]
. 匹配除换行符以外的一个任意字符
[] 匹配集合中列出的一个字符
[^] 匹配集合中没有列出的一个字符
\| 或表达式

例如:

  • 00\d可以匹配007,但无法匹配00A
  • \d\d\d可以匹配010
  • \w\w\d可以匹配py3
  • py.可以匹配pycpyopy!等等。
  • [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线;
  • A|B可以匹配A或B,所以(P|p)ython可以匹配Python或者python

2. 匹配的次数

Regular String Explanation
* 表示一次或者多次(0次、或1次、或多次)
+ 表示至少一个字符(1次或多次)
? 表示0个或1个字符(0次、或1次)
{n} 表示n个字符
{n,m} 表示n-m个字符

例如:

  • runoo+b,可以匹配 runoob、runooob、runoooooob 等,+ 号代表前面的字符必须至少出现一次(1次或多次)。
  • runoo*b,可以匹配 runob、runoob、runoooooob 等,* 号代表前面的字符可以不出现,也可以出现一次或者多次(0次、或1次、或多次)。
  • colou?r 可以匹配 color 或者 colour,? 问号代表前面的字符最多只可以出现一次(0次、或1次)。
  • 一个复杂的例子:\d{3}\s+\d{3,8},匹配010 12345这样的号码。
    • \d{3}表示匹配3个数字,例如010
    • \s可以匹配一个空格(也包括Tab等空白符),所以\s+表示至少有一个空格,例如匹配’ '等;
    • \d{3,8}表示3-8个数字,例如1234567
  • [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串,比如a1000_ZPy3000等等;
  • [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量;
  • [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)。

3. 匹配的位置

Regular String Explanation
^ 匹配行的开头位置,不匹配任何字符
$ 匹配行的结束位置,不匹配任何字符
\A 匹配字符串的开头位置,不匹配任何字符
\Z 匹配字符串的结束位置,不匹配任何字符
\b 匹配一个单词边界,也就是单词和空格之间的位置
\B 匹配一个非单词边界,与\b相反

例如:

  • ^\d表示必须以数字开头。
  • \d$表示必须以数字结束。

4. 匹配的分组提取

Regular String Explanation
() 表示的就是要提取的分组(Group)

例如:

  • ^(\d{3})-(\d{3,8})$分别定义了两个组,可以直接从匹配的字符串中提取出区号和本地号码:
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

5. 贪婪匹配

正则匹配默认是贪婪匹配,也就是匹配尽可能多的字符。

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')

由于\d+采用贪婪匹配,直接把后面的0全部匹配了,结果0*只能匹配空字符串了。
必须让\d+采用非贪婪匹配(也就是尽可能少匹配),才能把后面的0匹配出来,加个?就可以让\d+采用非贪婪匹配:

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

参考文档

1.Regular Expression HOWTO
2.揭开正则表达式的神秘面纱

上一篇:常用正则表达式


下一篇:js 常用一些校验正则表达式 (记录、持续更新)