正则表达式

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本

正则表达式可以用来干什么?

• 检验字符串是否符合要求
  1. 检查密码，邮箱，网址等等
  2. 检查密码的复杂程度
• 提取符合某要求的子字符

元字符描述

正则表达式由一些普通字符和一些元字符（metacharacters）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，我们下面会给予解释。

元字符	描述
\	将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如，“\n”匹配\n。“\n”匹配换行符。序列“\”匹配“\”而“(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。
^	匹配输入字行首。如果设置了RegExp对象的Multiline属性，^也匹配“\n”或“\r”之后的位置。
$	匹配输入行尾。如果设置了RegExp对象的Multiline属性，$也匹配“\n”或“\r”之前的位置。
*	匹配前面的子表达式任意次。例如，zo*能匹配“z”，也能匹配“zo”以及“zoo”。*等价于{0,}。
+	匹配前面的子表达式一次或多次(大于等于1次）。例如，zo+能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，do(es)?可以匹配“do”或“does”。?等价于{0,1}。
?（重点）	当该字符紧跟在任何一个其他限制符（*,+,?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少地匹配所搜索的字符串，而默认的贪婪模式则尽可能多地匹配所搜索的字符串。例如，对于字符串“oooo”，o+将尽可能多地匹配“o”，得到结果[“oooo”]，而o+?将尽可能少地匹配“o”，得到结果 ['o', 'o', 'o', 'o']
{n}	n是一个非负整数。匹配确定的n次。例如，o{2}不能匹配“Bob”中的“o”，但是能匹配“food”中的两个o。
{n,}	n是一个非负整数。至少匹配n次。例如，o{2,}不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。o{1,}等价于o+。o{0,}则等价于o*。
{n,m}	m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，o{1,3}将匹配“fooooood”中的前三个o为一组，后三个o为一组。o{0,1}等价于“o?”。请注意在逗号和两个数之间不能有空格。
.	匹配除“\n”和"\r"之外的任何单个字符。要匹配包括“\n”和"\r"在内的任何字符，请使用像[\s\S]的模式。
(pattern)	匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用$0…$9属性。要匹配圆括号字符，请使用()括起来。
(?:pattern)	非获取匹配，匹配pattern但不获取匹配结果，不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分时很有用。例如industr(?:y|ies)就是一个比industry|industries更简略的表达式。
(?=pattern)	非获取匹配，正向肯定预查，在任何匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如，Windows(?=95|98|NT|2000)能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	非获取匹配，正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。
(?<=pattern)	非获取匹配，反向肯定预查，与正向肯定预查类似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。*python的正则表达式没有完全按照正则表达式规范实现，所以一些高级特性建议使用其他语言如java、scala等
(?<!pattern)	非获取匹配，反向否定预查，与正向否定预查类似，只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。*python的正则表达式没有完全按照正则表达式规范实现，所以一些高级特性建议使用其他语言如java、scala等
x|y	匹配x或y。例如，z|food能匹配“z”或“food”(此处请谨慎)。[z|f]ood则匹配“zood”或“food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如，[abc]可以匹配“plain”中的“a”。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如，[^abc]可以匹配“plain”中的“plin”任一字符。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，[a-z]可以匹配“a”到“z”范围内的任意小写字母字符。 注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。
\b	匹配一个单词的边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”；“\b1_”可以匹配“1_23”中的“1_”，但不能匹配“21_3”中的“1_”。
\B	匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\cx	匹配由x指明的控制字符。例如，\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“c”字符。
\d	匹配一个数字字符。等价于[0-9]。grep 要加上-P，perl正则支持
\D	匹配一个非数字字符。等价于[^0-9]。grep要加上-P，perl正则支持
\f	匹配一个换页符。等价于\x0c和\cL。
\n	匹配一个换行符。等价于\x0a和\cJ。
\r	匹配一个回车符。等价于\x0d和\cM。
\s	匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何可见字符。等价于[^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于\x09和\cI。
\v	匹配一个垂直制表符。等价于\x0b和\cK。
\w	匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。
\W	匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。
\xn	匹配n，其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。
\num	匹配num，其中num是一个正整数。对所获取的匹配的引用。例如，“(.)\1”匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式，则nm为向后引用。如果\nm之前至少有n个获取，则n为一个后跟文字m的向后引用。如果前面的条件都不满足，若n和m均为八进制数字（0-7），则\nm将匹配八进制转义值nm。
\nml	如果n为八进制数字（0-7），且m和l均为八进制数字（0-7），则匹配八进制转义值nml。
\un	匹配n，其中n是一个用四个十六进制数字表示的Unicode字符。例如，\u00A9匹配版权符号（©）。
\p{P}	小写 p 是 property 的意思，表示 Unicode 属性，用于 Unicode 正表达式的前缀。中括号内的“P”表示Unicode 字符集七个字符属性之一：标点字符。
<>	匹配词（word）的开始（<）和结束（>）。例如正则表达式<the>能够匹配字符串"for the wise"中的"the"，但是不能匹配字符串"otherwise"中的"the"。注意：这个元字符不是所有的软件都支持的。
( )	将( 和 ) 之间的表达式定义为“组”（group），并且将匹配这个表达式的字符保存到一个临时区域（一个正则表达式中最多可以保存9个），它们可以用\1到\9 的符号来引用。
|	将两个匹配条件进行逻辑“或”（Or）运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her"，但是不能匹配"it belongs to them."。注意：这个元字符不是所有的软件都支持的。

使用正则表达式的事例

1.验证用户名和密码：（"^[a-zA-Z]\w{5,15}$"）正确格式："[A-Z][a-z]_[0-9]"组成,并且第一个字必须为字母6~16位
2.验证电话号码：（"^(\d{3,4}-)\d{7,8}$"）正确格式：xxx/xxxx-xxxxxxx/xxxxxxxx
3.验证手机号码："^1[3|4|5|7|8][0-9]{9}$"；
4.验证身份证号（15位）："\d{14}[[0-9],0-9xX]"，（18位）："\d{17}(\d|X|x)"；
5.验证Email地址：("^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$")；
6.只能输入由数字和26个英文字母组成的字符串：("^[A-Za-z0-9]+$")；
7.整数或者小数：^[0-9]+([.][0-9]+){0,1}$
8.只能输入数字："^[0-9]*$"
9.只能输入*n*位的数字："^\d{*n*}$"
10.只能输入至少*n*位的数字："^\d{*n*,}$"
11.只能输入*m*~*n*位的数字："^\d{*m*,*n*}$"
12.只能输入零和非零开头的数字："^(0|[1-9][0-9]*)$"
13.只能输入有两位小数的正实数："^[0-9]+(\.[0-9]{2})?$"
14.只能输入有1~3位小数的正实数："^[0-9]+(\.[0-9]{1,3})?$"
15.只能输入非零的正整数："^\+?[1-9][0-9]*$"
16.只能输入非零的负整数："^\-[1-9][0-9]*$"
17.只能输入长度为3的字符："^.{3}$"
18.只能输入由26个英文字母组成的字符串："^[A-Za-z]+$"
19.只能输入由26个大写英文字母组成的字符串："^[A-Z]+$"
20.只能输入由26个小写英文字母组成的字符串："^[a-z]+$"
21.验证是否含有^%&,;=?$\等字符："[%&',;=?$\\^]+"
22.只能输入汉字："^[\u4e00-\u9fa5]{0,}$"
23.验证URL："^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$"
24.验证一年的12个月："^(0?[1-9]|1[0-2])$"正确格式为："01"～"09"和"10"～"12"
25.验证一个月的31天："^((0?[1-9])|((1|2)[0-9])|30|31)$"正确格式为；"01"～"09"、"10"～"29"和“30”~“31”
26.获取日期正则表达式："\\d{4}[年|\-|\.]\d{\1-\12}[月|\-|\.]\d{\1-\31}日?"
27.匹配双字节字符(包括汉字在内)："[^\x00-\xff]"
28.匹配空白行的正则表达式："\n\s*\r"
29.匹配HTML标记的正则表达式："<(\S*?)[^>]*>.*?</>|<.*? />"
30.匹配首尾空白字符的正则表达式："^\s*|\s*$"
31.匹配网址URL的正则表达式："[a-zA-z]+://[^\s]*"
32.匹配帐号是否合法(字母开头，允许5-16字节允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
34.匹配中国邮政编码："[1-9]\\d{5}(?!\d)"
35.匹配ip地址："([1-9]{1,3}\.){3}[1-9]"
36.匹配MAC地址："([A-Fa-f0-9]{2}\:){5}[A-Fa-f0-9]"

使用Python正则表达式演示

基础简单匹配

import re
s = "四月是你的谎言"
# sub方法为替换pattern, repl, string, count=0, flags=0
r = re.sub(r"你的", "我的", s)
print(r)
#输出的结果：四月是我的谎言

使用.*+?进行数量和任意字符匹配

import re
s = "四四四四月是你的谎言"
sub = re.sub("四+", "五", s)
print(sub)
# 输出的结果:五月是你的谎言
sub = re.sub("四*", "五", s)
print(sub)
# 输出的结果:五五月五是五你五的五谎五言五
sub = re.sub("月?", "五", s)
print(sub)
# 输出的结果:五四五四五四五四五五是五你五的五谎五言五
sub = re.sub(".+", "五", s)
print(sub)
# 输出的结果:五
sub = re.sub(".*", "五", s)
print(sub)
# 输出的结果:五五

使用{n}{n,}{n,m}代替*+?的作用

import re

s = "四四四四月是你的谎言"
sub = re.sub("四{1,}", "五", s)
print(sub)
# 输出的结果:五月是你的谎言
sub = re.sub("四{0,}", "五", s)
print(sub)
# 输出的结果:五五月五是五你五的五谎五言五
sub = re.sub("月{0,1}", "五", s)
print(sub)
# 输出的结果:五四五四五四五四五五是五你五的五谎五言五
sub = re.sub(".{1,}", "五", s)
print(sub)
# 输出的结果:五
sub = re.sub(".{0,}", "五", s)
print(sub)
# 输出的结果:五五

使用^$对行首和行尾进行限定

import re
s = "四月是你的谎言"
m = re.match("^四.*言$", s)
print("匹配成功" if m is not None else "匹配失败")
#输出的结果：匹配成功

*使用?演示贪婪匹配和非贪婪匹配

import re

s = "<html><head><title>我的青春恋爱物语果然有问题s</title></head></html>"

# `<.+>`为贪婪匹配，他会匹配行首的`<`和行尾的`>`，
# 因为`.+`要尽可能的匹配最多的
sub = re.sub("<.+>", "喜羊羊", s)
print(sub)
# 输出的结果：喜羊羊

# `<.+>`为贪婪匹配，他会匹配每一个html标签，
# 进行最短匹配，所以所有的html标签都被替换为""
sub = re.sub("<.+?>", "", s)
print(sub)
# 输出的结果：我的青春恋爱物语果然有问题s

*使用(pattern)捕捉所需要的子串

import re
s = "<html><head><title>我的青春恋爱物语果然有问题s</title></head></html>"
def replace_method(matched):
    print(matched.group(1))

sub = re.sub("<(.+?)>", replace_method, s)
# 输出结果:
# html
# head
# title
# /title
# /head
# /html

正则匹配提取html中的超链接

import re
import requests

response = requests.get("https://www.baidu.com")
html = response.text

pattern = "<a.+?href=\"?([^ >']+)\"?"
for a in re.finditer(pattern, html):
    print(a.group(1))
# 输出结果:
#http://news.baidu.com
#https://www.hao123.com
#http://map.baidu.com
#http://v.baidu.com
#http://tieba.baidu.com
#http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1
#http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=
#//www.baidu.com/more/
#http://home.baidu.com
#http://ir.baidu.com
#http://www.baidu.com/duty/
#http://jianyi.baidu.com/

(pattern)和$1...$9的使用

public static void main(String[] args) {
        String s = "\\u6211";
        s = s.replaceAll("\\\\u(\\d{4})", "$1");
        int code = Integer.parseInt(s, 16);
        char c = (char) code;
        System.out.println(String.valueOf(c));
    }

参考网址：
正则表达式_百度百科