正则表达式

正则表达式与程序语言无关。正则表达式做匹配实际上就做3件事：【字符匹配】+【次数匹配】+【逻辑匹配】
下面分别进行叙述

正则表达式中的字符匹配

字符匹配可以通过通配符匹配实现，也可以通过[]集合匹配实现，而[]集合是更加直观的一种

• 通配符匹配

  • . 匹配除换行符外的任意单个字符（万能符）
  • \d 匹配任意单个数字
  • \w 匹配任意单个字母
  • \s 匹配任意单个空白字符，如空格、制表符(\t)、换行符(\n)等

• 基于[]表达式的自定义集合匹配

使用方括号[]包含若干个字符，可以匹配[]集合中的任意一个字符；用 [^ ] 包含一系列字符，则能够匹配除[]集合字符外的任意单个字符。注意，都是匹配单个字符
eg.
[abc]可以匹配'a', 'b', 'c'的任意一个
[a-z]可以匹配任意一个小写字母
[a-zA-Z]可以匹配任意一个字母
[a-zA-Z0-9]可以匹配任意一个字母或数字
[^a-zA-Z0-9]可以匹配任意一个非数字且非字母的字符

注意，在方括号[]中，除了^表示取反外，一切字符都表示字符本身，没有特殊功能，小括号()在[]中也只表示字符 '(' 和 ')'，没有分组功能

正则表达式中的次数匹配

相似地，次数匹配可以使用通配符匹配，也可以使用自定义{}表达式匹配

• 次数通配符匹配

  • ? 前置表达式出现0次或者1次，相当于 {0,1}，好像在问“出现还是不出现？”。比如："a[cd]?"可以匹配 "a","ac","ad"

  • + 前置表达式至少出现1次，相当于 {1,}，可理解为在1的基础上可以一直+下去。比如： "a+b"可以匹配 "ab","aab","aaab"...

  • * 前置表达式出现任意次，相当于 {0,}，比如： "a*b"可以匹配 "b","aaab"...

• 自定义{}表达式匹配

使用{}表达式做次数匹配更加直观，也更加灵活，可以自定义次数的上下界，个人更喜欢用
{n}表示前置表达式重复n次
{m,n}表示前置表达式至少重复m次，至多重复n次，左右都是闭区间
{m,}表示前置表达式至少重复m次

正则表达式中的逻辑匹配

逻辑匹配指的是，对字符串中的字符间的逻辑关系、位置关系、组别关系等进行匹配。逻辑匹配不匹配任何字符，也不匹配次数

表达式	作用
()	在正则表达式中()用来实现分组。括号中的表达式将作为一个整体看待，在获取匹配结果时，小括号包含的表达式所匹配到的字符串可以单独获取。如：表达式 "￥(\d+\.?\d*)" 在匹配 "＄10.9,￥20.5" 时，匹配到的内容是："￥20.5"；单独获取括号范围匹配到的内容是："20.5"。注意note：正则表达式中的()不匹配任何字符而仅作为分组，如果需要匹配字符串中的小括号，需要使用\(和\)
^	与目标字符串开始的地方匹配，不匹配任何字符
$	与目标字符串结束的地方匹配，不匹配任何字符
\b	匹配一个单词的边界，它要求它在匹配结果中所处位置的左右两边，其中一边是 "\w" 范围，另一边是 非"\w" 的范围。同样不匹配任何字符
|	表示正则表达式之间的 "或" 关系，如'a|b'，表示匹配a也行，匹配b也行

---

正则表达式的高阶用法

• 贪婪匹配和非贪婪匹配

次数表达式在匹配过程中，默认总是尽可能多的匹配，即默认贪婪匹配。事实上，贪婪匹配并不适用于所有的情况。

如，字符串'哈哈哈哈哈'，若想通过正则表达式确定其最大重复单元，那么使用正则表达式 '(.+)\1+' 捕获分组可以得到'哈哈'；但如果我们需要确定最小重复单元，就需要分组能够命中的字符串长度尽可能少，也就是使用非贪婪匹配
在匹配次数表达式（?、 +、 *、{m, n}）后再加上一个 "?" 号，可以使匹配次数不定的表达式尽可能少的匹配，使可匹配可不匹配的表达式，尽可能的 "不去匹配"
因此，使用正则表达式 '(.+?)\1+' 或者 '(.{1,}?)\1+' 捕获分组可以得到最小重复单元'哈'

• 分组的捕获值的引用

"小括号包含的表达式所匹配到的字符串"--即分组的捕获值 不仅是在匹配结束后才可以使用，在匹配过程中也可以使用。表达式可以引用前面的分组捕获值。引用方法是 "" 加上一个数字。"\1" 引用第1对括号内匹配到的字符串，"\2" 引用第2对括号内匹配到的字符串……以此类推，如果一对括号内包含另一对括号，则外层的括号先排序号。换句话说，哪一对的左括号 "(" 在前，那这一对就先排序号
如上面的非贪婪匹配提到的 '(.+?)\1+' 中 的\1表示的就是转义格式下的\1，从而实现对(.+?)捕获值的引用

关于正则表达式，还可参考http://www.regexlab.com/zh/regref.htm

---

python中的正则表达式

python中的re库实现了正则表达式操作

常用操作为search、findall和sub

• re.search

在字符串中寻找被pattern命中的部分，返回首个命中部分的re.Match object，未命中则返回None
对于re.Match object，可以使用group()获取被整个pattern命中的字符串，使用groups()获取被pattern中各个()分组所命中的字符串，以tuple形式

例如：

>>> pattern = 'i love (.+)'
>>> s = 'xxx i love u'
>>> res = re.search(pattern, s)
>>> print(res)
<re.Match object; span=(4, 12), match='i love u'>
>>> res.group()
'i love u'
>>> res.groups()
('u',)

• re.findall()

Return a list of all non-overlapping不重叠的 matches in the string.
If one or more capturing groups are present in the pattern 如果pattern里包含多个()分组, 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.

如果pattern中不含分组，则返回被整个pattern命中的所有结果的list
如果pattern中包含分组，则返回被整个pattern命中的所有结果的分组tuple-list

例如：

# pattern中包含2个group，(\w+)和(\d{2}\.\d{2})
>>> results = re.findall('title="(\w+)".*?<p class="pl">.*?(\d{2}\.\d{2}).*?</p>', content, re.S)
>>> print(results)
[('追风筝的人', '29.00'), ('小王子', '22.00'), ('围城', '19.00')]

• re.sub

re.sub(pattern, repl, string, count) 找到string中被整个patern命中的部分，使用repl替换，返回替换后的字符串
例如：

# (\w)\\1{2}的原型是(\w)\1{2}，'\\1'是'\1'的转义，表示第一个分组匹配到的值
>>> pattern = '(\w)\\1{2}'
>>> s = 'xxx i love u'
>>> res = re.sub(pattern, '', s)
>>> res
' i love u'