Python正则表达式（一）

正则表达式

参考：正则表达式

• 一、概述
• 二、匹配单个字符
• 三、匹配一组字符
• 四、使用元字符
• 五、重复匹配
• 六、位置匹配
• 七、使用子表达式
• 八、回溯引用
• 九、前后查找
• 十、嵌入条件

一、概述

• 正则表达式用于文本内容的查找和替换。
• 正则表达式内置于其它语言或者软件产品中，它本身不是一种语言或者软件。
• 正则表达式在线工具

二、匹配单个字符

• 正则表达式一般是区分大小写的，但是也有些实现是不区分。
• . 可以用来匹配任何的单个字符，但是在绝大多数实现里面，不能匹配换行符；
• \ 是元字符，表示它有特殊的含义，而不是字符本身的含义。如果需要匹配 . ，那么要用 \ 进行转义，即在 . 前面加上 \
• 正则表达式

# 正则表达式
nam.
# 匹配结果
My name is DS中的name

三、匹配一组字符串

• [ ] 定义一个字符集合；
• 0-9、a-z 定义了一个字符区间，区间使用 ASCII 码来确定，字符区间只能用在 [ ] 之间。
• - 元字符只有在 [ ] 之间才是元字符，在 [ ] 之外就是一个普通字符；
• ^ 在 [ ] 字符集合中是取非操作
• 应用
  • 匹配以 abc 为开头，并且最后一个字母不为数字的字符串：
  • abc[^0-9]
  • 匹配结果

abcd
abc1
abc2
# 匹配到了abcd

四、使用元字符

匹配空白字符

元字符	说明
[\b]	回退（删除一个字符）
\f	换页符
\n	换行符
\r	回车符
\t	制表符
\v	垂直制表符

• \r\n 是 Windows 中的文本行结束标签，在 Unix/Linux 则是 \n
• \r\n\r\n 可以匹配 Windows 下的空白行，因为它将匹配两个连续的行尾标签，而这正是两条记录之间的空白行
• . 是元字符，前提是没有对它们进行转义
• f 和 n 也是元字符，但是前提是对它们进行了转义

匹配特定的字符类别

数字元字符

元字符	说明
\d	数字字符，等价于[0-9]
\D	非数字字符，等价于[^0-9]

字母数字元字符

元字符	说明
\w	大小写字母，下划线和数字，等价于[a-zA-Z0-9]
\W	对\w取非

空白字符元字符

元字符	说明
\s	任何一个空白字符，等价于[\f\n\r\t\v]
\S	对\s取非

五、重复匹配

• *+匹配1个或者多个字符，匹配0个或者多个，？匹配0个或者1个
• 应用
  • 匹配邮箱地址[\w.]+@\w+\.\w+
  • [\w.] 匹配的是字母数字或者 . ，在其后面加上 + ，表示匹配多次。在字符集合 [ ] 里，. 不是元字符；
  • [email protected]
• 一般的把转义的字符放在字符集合[ ]中，含义相同

[\w.]+@\w+\.\w+
[\w.]+@[\w]+[\.][\w]+

• {n} 匹配 n 个字符，{m, n} 匹配 m~n 个字符，{m,} 至少匹配 m 个字符；
• 和 + 都是贪婪型元字符，会匹配最多的内容，在元字符后面加 ? 可以转换为懒惰型元字符，例如 *?、+? 和 {m, n}? 。
• eg：a.+c，由于 + 是贪婪型的，因此 .+ 会匹配更可能多的内容，所以会把整个abcabcabc 文本都匹配，而不是只匹配前面的 abc 文本。用懒惰型可以实现匹配前面的

六、位置匹配

单词边界

• \b 可以匹配一个单词的边界，边界是指位于 \w 和 \W 之间的位置；\B 匹配一个不是单词边界的位置。
• \b 只匹配位置，不匹配字符，因此 \babc\b 匹配出来的结果为 3 个字符。

字符串边界

• ^ 匹配整个字符串的开头，$ 匹配结尾。
• ^ 元字符在字符集合中用作求非，在字符集合外用作匹配字符串的开头。
• 分行匹配模式（multiline）下，换行被当做字符串的边界。
• 应用：
  • 匹配代码中以 // 开始的注释行 :^\s*\/\/.*$
• 匹配结果
  1. public void fun() {
  2. ​ // 注释 1
  3. ​ int a = 1;
  4. ​ int b = 2;
  5. ​ // 注释 2
  6. ​ int c = a + b;
  7. }

七、使用子表达式

• 使用 ( ) 定义一个子表达式。子表达式的内容可以当成一个独立元素，即可以将它看成一个字符，并且使用 * 等元字符。
• 子表达式可以嵌套，但是嵌套层次过深会变得很难理解。
• eg:(ab){2,}匹配结果ababab
• | 是或元字符，它把左边和右边所有的部分都看成单独的两个部分，两个部分只要有一个匹配就行。
• eg:(19|20)\d{2}
  • 匹配结果1900 2010 1020中的1900和2010
• 匹配 IP 地址。IP 地址中每部分都是 0-255 的数字，用正则表达式匹配时以下情况是合法的：
  • 一位数字
  • 不以 0 开头的两位数字
  • 1 开头的三位数
  • 2 开头，第 2 位是 0-4 的三位数
  • 25 开头，第 3 位是 0-5 的三位数
  • 即((25[0-5]|(2[0-4]\d)|(1\d{2})|([1-9]\d)|(\d))\.){3}(25[0-5]|(2[0-4]\d)|(1\d{2})|([1-9]\d)|(\d))

192.168.0.1
00.00.00.00
555.555.555.555

匹配到了第一个

八、回溯引用

• 回溯引用使用 \n 来引用某个子表达式，其中 n 代表的是子表达式的序号，从 1 开始。它和子表达式匹配的内容一致，比如子表达式匹配到 abc，那么回溯引用部分也需要匹配 abc 。
• 应用：匹配 HTML 中合法的标题元素。
  • \1 将回溯引用子表达式 (h[1-6]) 匹配的内容，也就是说必须和子表达式匹配的内容一致，<(h[1-6])>\w*?<\/\1>

x
x
x
匹配到了前面两个

• 替换
  • 修改电话号码格式，如313-555-1234，正则表达式(\d{3})(-)(\d{3})(-)(\d{4})
  • 替换正则表达式 ：在第一个子表达式查找的结果加上 () ，然后加一个空格，在第三个和第五个字表达式查找的结果中间加上 - 进行分隔，那么就可以用到替换($1) $3-$5
  • 结果为：(313) 555-1234
• 大小写替换

元字符	说明
\l	把下个字符转换成小写
\u	把下个字符转换成大写
\L	把\L和\E之间的字符全部转换成小写
\U	把\U和\E之间的字符全部转换成大写
\E	结束\L或者\U

• 应用：把文本的第二个和第三个字符转换为大写
  • 文本：abcd
  • 先查找匹配：(\w)(\w{2})(\w)
  • 替换：$1\U$2\E$3
  • 结果：aBCd

九、前后查找

• 前后查找规定了匹配的内容首尾应该匹配的内容，但是又不包含首尾匹配的内容。 向前查找用 ?= 来定义，它规定了尾部匹配的内容，这个匹配的内容在 ?= 之后定义。 所谓向前查找，就是规定了一个匹配的内容，然后以这个内容为尾部向前面查找需要匹配的内容。向后匹配用 ?<= 定义（注: javaScript 不支持向后匹配, java 对其支持也不完善）。
• \w+(?=@)匹配结果abc @qq.com
• 对向前和向后查找取非，只要把 = 替换成 ! 即可，比如 (?=) 替换成 (?!) 。取非操作使得匹配那些首尾不符合要求的内容。

十、嵌入条件

回溯引用条件

• 条件判断为某个子表达式是否匹配，如果匹配则需要继续匹配条件表达式后面的内容。
• 子表达式 (() 匹配一个左括号，其后的 ? 表示匹配 0 个或者 1 个。 ?(1) 为条件，当子表达式 1 匹配时条件成立，需要执行 ) 匹配，也就是匹配右括号。 (\()?abc(?(1)\))
  • (abc)
  • abc
  • (abc

前后查找条件

• 条件为定义的首尾是否匹配，如果匹配，则继续执行后面的匹配。注意，首尾不包含在匹配的内容中。
• \d{5}(?(?=-)-\d{4})，?(?=-) 为前向查找条件，只有在以 - 为前向查找的结尾能匹配 \d{5} ，才继续匹配 -\d{4} 。
  • 11111
  • 22222-
  • 33333-4444