用字符组和量词可以匹配引号字符串，也可以匹配html tag，如果需要用正则表达式匹配身份证号码，依靠字符组和量词如何实现？
身份证号码是一个长度为15或18的字符串，如果是15位，则全部由数字组成，首位不能是0；如果是18位，则前17位全部是数字，末尾可能是数字，也可能是x。
虽然字符串的长度是可变的，但除去第一位和最后一位，中间部分的长度必须是13或16；另外末尾一位到底是[0-9]还是[0-9x]，取决于整体长度。区分两种情况分别考虑，要更加清楚一些：
| 位数 | 表达式 |
|---|---|
| 15位 | [1-9]\d{14} |
| 18位 | [1-9]\d{14}\d{2}[0-9x] |
看来，只要以15位号码的匹配位基础，末尾加上可能出现的\d{2}[0-9x]即可。此时的\d{2}[0-9x]必须作为一个整体，同时出现或不出现。
使用括号()，把正则表达式改写为[1-9]\d{14}(\d{2}[0-9x])?。上一章提到过，量词限定之前元素的出现次数，这个元素可能是一个字符，也可能是一个字符组，还可能是一个表达式——如果把一个表达式用括号包围起来，这个元素就是括号里的表达式，通常被称为“自表达式”。所以(\d{2}[0-9x])就表示该子表达式作为一个整体，或许不出现，或许出现最多一次。
括号的这种功能叫做分组（grouping）。如果量词限定出现次数的元素不是字符或字符组，而是几个字符甚至表达式，就应该用括号将他们“分为一组”。比如，希望字符串ab重复出现一次以上，就应该写作(ab)+，此时(ab)成为一个整体，由量词+来限定；如果不用括号而直接写ab+，受+限定的就只有b。
有了分组，就可以准确表示“长度只能是m或n”。比如在上面匹配身份证的例子中，要匹配一个长度为13或16的数字字符串，正则表达式可以写为\d{13}(\d{3})?。
例3-1 匹配身份证
idCardRegex = re.compile(r'^[1-9]\d{14}(\d{2}[\dx])?')
分组是非常有用的功能，因为使用正则表达式时经常会遇到并没有直接相连，但却是存在联系的部分，分组可以把这些概念上相关的部分“归拢”到一起，以免割裂。下面来看几个例子。
上一章中使用表达式<[^/][^>]*>来匹配html中的open tag，比如<table>，但是这个表达式会匹配self-closing tag，比如<br/>。如果把表达式改写为<[^/][^>]*[^/]>，却是可以避免self-closing tag，但是因为两个排除型字符组必须匹配两个字符，这个表达式又会放过<u>这样的单字符open tag，仅仅依赖字符组和量词无法解决这个问题，必须使用到括号的分组功能。
<[^/][^>]*[^/]>错过的只有一种情况，就是tag name为单个字母的情况。如果tag name不是单个字母，则第一个字母之后必须出现这样一个字符串：其不包含>，结尾的字符不是/（[^/>]*[^/>]）。最后才是tag结尾的>。所以，需要用一个括号将可选出现的部分分组，再用量词?限定，就可以兼顾这两种情况，准确的匹配open tag了。
例3-5 准确匹配open tag
openTagRegex = re.compile(r'^<[^/>]([^>]*[^/])?>$')
openTagRegex.search("<a>") # True
openTagRegex.search("<table>") # True
openTagRegex.search("<br/>") # False
再来看个更复杂的例子。在web服务中，经常并不希望暴露真正的程序细节，所以用某种模式的url来掩盖。比如/foo/bar_qux.php，看起来是访问一个php页面，其实完全不是这样。真正的结构是：foo是模块名，bar是控制器名，qux是方法名，三个名字都只能出现小写字母。
希望能处理的情况有三种，其他情况都不予考虑：
| 只有模块名 | /foo |
|---|---|
| 只有模块名和控制器名 | /foo/bar.php |
| 模块名，控制器名和方法名同时出现 | /foo/bar_qux.php |
/foo是必须出现的：之后存在两种可能：/bar.php或bar_qux.php。
| 规则 | 表达式 |
|---|---|
| /bar.php对应的表达式 | /[a-z]+\.php |
| /bar_qux.php对应的表达式 | /[a-z]+_[a-z]+\.php |
再配合量词和分组，最终的表达式为：/[a-z]+(/[a-z]+(_[a-z]+)?\.php)?。
例3-7 匹配url
regex = re.compile(r'^/[a-z]+(/[a-z]+(_[a-z]+)?\.php)?$')
print(regex.search('/foo'))
print(regex.search('/foo/bar.php'))
print(regex.search('/foo/bar_qux.php'))
print(regex.search('/foo.php')) # None
关扩括号的分组，最好来看email的匹配：email地址以@分为两段，之前的是用户名（username），之后的是主机名（hostname），用户名一般只允许出现数字和字母，主机名则是类似mail.google.com、163.com之类的字符串。
用户名由数字字母下划线和点号组成，最大长度为64：[-\w.]{0,64}。
主机名被点号分割为若干段，每一段叫做域名字段（label）。每个label中可能出现的字符是数字、字母、横线，长度必须在1～63之间。例如：host.net、sub.host.net、mail.sub.host.net。
看来规律是这样的：最后的域名是顶级域名，之前的部分可以看作是某种模式的重复。该模式为由域名字段和点号组成。所以主机名的表达式可以写为([-a-zA-Z0-9]{1,63}\.)*[-a-zA-Z0-9]{1,63}，再加上用户名部分，完整的email正则表达式为：[-\w.]{0,64}@([-a-zA-Z0-9]{1,63}\.)*[-a-zA-Z0-9]{1,63}。
例3-8 email正则表达式
regex = re.compile(r'^[-\w.]{0,64}@([-a-zA-Z0-9]{1,63}\.)*[-a-zA-Z0-9]{1,63}$')
print(regex.search('abc@host'))
print(regex.search('abc@host.com'))
print(regex.search('abc123@sub.host.com'))
print(regex.search('abc123@sub.mail.host.com'))
网友评论