Python3 如何优雅地使用正则表达式（详解一）
注：本文翻译自 Regular Expression HOWTO
，小甲鱼童鞋对此做了一些注释和修改。
正则表达式介绍
正则表达式（Regular expressions 也称为 REs，或 regexes 或 regex patterns）本质上是一个微小的且高度专业化的编程语言。它被嵌入到 Python 中，并通过 re 模块提供给程序猿使用。使用正则表达式，你需要指定一些规则来描述那些你希望匹配的字符串集合。这些字符串集合可能包含英语句子、 e-mail 地址、TeX 命令，或任何你想要的东东。
正则表达式模式被编译成一系列的字节码，然后由一个 C 语言写的匹配引擎所执行。对于高级的使用，你可能需要更关注匹配引擎是如何执行给定的 RE，并通过一定的方式来编写 RE，以便产生一个可以运行得更快的字节码。本文暂不讲解优化的细节，因为这需要你对匹配引擎的内部机制有一个很好的理解。但本文的例子均是符合标准的正则表达式语法。
小甲鱼注释：Python 的正则表达式引擎是用 C 语言写的，所以效率是极高的。另，所谓的正则表达式，这里说的 RE，就是上文我们提到的“一些规则”。
正则表达式语言相对较小，并且受到限制，所以不是所有可能的字符串处理任务都可以使用正则表达式来完成。还有一些特殊的任务，可以使用正则表达式来完成，但是表达式会因此而变得非常复杂。在这种情况下，你可能通过自己编写 Python 代码来处理会更好些；尽管 Python 代码比一个精巧的正则表达式执行起来会慢一些，但可能会更容易理解。
小甲鱼注释：这可能是大家常说的“丑话说在前”吧，大家别管他，正则表达式非常优秀，她可以处理你 98.3% 的文本任务，一定要好好学哦~~~~~
简单的模式
我们将从最简单的正则表达式学习开始。由于正则表达式常用于操作字符串的，因此我们从最常见的任务下手：字符匹配。
字符匹配
大多数字母和字符会匹配它们自身。举个例子，正则表达式 FishC 将完全匹配字符串 "FishC" 。（你可以启用不区分大小写模式，这将使得 FishC 可以匹配 "FISHC" 或 "fishc" ，我们会在后边讨论这个话题。）
当然这个规则也有例外。有少数特殊的字符我们称之为元字符（metacharacter），它们并不能匹配自身，它们定义了字符类、子组匹配和模式重复次数等。本文用很大的篇幅专门讨论了各种元字符及其作用。
下边是元字符的完整列表（我们将在后边逐一讲解）：
. ^ $ * + ? { } [ ] \ | ( )
小甲鱼注释：如果没有这些元字符，正则表达式就变得跟字符串的 find() 方法一样平庸了......
我们先来看下方括号 [ ] ，它们指定一个字符类用于存放你需要匹配的字符集合。可以单独列出需要匹配的字符，也可以通过两个字符和一个横杆 - 指定匹配的范围。例如 [abc] 会匹配字符 a ， b 或 c ； [a-c] 可以实现相同的功能。后者使用范围来表示与前者相同的字符集合。如果你想只匹配小写字母，你的 RE 可以写成 [a-z] 。
需要注意的一点是：元字符在方括号中不会触发“特殊功能”，在字符类中，它们只匹配自身。例如 [akm$] 会匹配任何字符 'a' ， 'k' ， 'm' 或 '$' ， '$' 是一个元字符，但在方括号中它不表示特殊含义，它只匹配 '$' 字符本身。
你还可以匹配方括号中未列出的所有其他字符。做法是在类的开头添加一个脱字符号 ^ ，例如 [^5] 会匹配除了 '5' 之外的任何字符。
或许最重要的元字符当属反斜杠 \ 了。跟 Python 的字符串规则一样，如果在反斜杠后边紧跟着一个元字符，那么元字符的“特殊功能”也不会被触发。例如你需要匹配符号 [ 或 \ ，你可以在它们前面加上一个反斜杠，以消除它们的特殊功能： \[ ， \\ 。
反斜杠后边跟一些字符还可以表示特殊的意义，例如表示十进制数字，表示所有的字母或者表示非空白的字符集合。
小甲鱼解释：反斜杠真牛逼，反斜杠后边跟元字符去除特殊功能，反斜杠后边跟普通字符实现特殊功能。
让我们来举个例子： \w 匹配任何字符。如果正则表达式以字节的形式表示，这相当于字符类 [a-zA-Z0-9_] ；如果正则表达式是一个字符串， \w 会匹配所有 Unicode 数据库（unicodedata 模块提供）中标记为字母的字符。你可以在编译正则表达式的时候，通过提供 re.ASCII 表示进一步限制 \w 的定义。
小甲鱼解释：re.ASCII 标志使得 \w 只能匹配 ASCII 字符，不要忘了，Python3 是 Unicode 的。
下边列举一些反斜杠加字符构成的特殊含义：
它们可以包含在一个字符类中，并且一样拥有特殊含义。例如 [\s,.] 是一个字符类，它将匹配任何空白字符（ /s 的特殊含义）， ',' 或 '.' 。
最后我们要讲的一个元字符是 . ，它匹配除了换行符以外的任何字符。如果设置了 re.DOTALL 标志， . 将匹配包括换行符在内的任何字符。
重复的事情
使用正则表达式能够轻松的匹配不同的字符集合，但 Python 字符串现有的方法却无法实现。然而，如果你认为这是正则表达式的唯一优势，那你就 too young too native 了。正则表达式有另一个强大的功能，就是你可以指定 RE 部分被重复的次数。
我们来看看 * 这个元字符，当然它不是匹配 '*' 字符本身（我们说过元字符都是有特殊能力的），它用于指定前一个字符匹配零次或者多次。
例如 ca*t 将匹配 ct （0 个字符 a）， cat （1 个字符 a）， caaat （3 个字符 a），等等。需要注意的是，由于受到 C 语言的 int 类型大小的内部限制，正则表达式引擎会限制字符 'a' 的重复个数不超过 20 亿个；不过，通常我们工作中也用不到那么大的数据。
正则表达式默认的重复规则是贪婪的，当你重复匹配一个 RE 时，匹配引擎会尝试尽可能多的去匹配。直到 RE 不匹配或者到了结尾，匹配引擎就会回退一个字符，然后再继续尝试匹配。
我们通过例子一步步的给大家讲解什么叫“贪婪”：先考虑一下表达式 a[bcd]*b ，首先需要匹配字符 'a' ，然后是零个到多个 [bcd] ，最后以 'b' 结尾。那现在想象一下，这个 RE 匹配字符串 abcbd 会怎样？
最终，RE 匹配的结果是 abcb 。
小甲鱼解释：正则表达式默认的匹配规则是贪婪的，后边有教你如何使用非贪婪的方法匹配。
另一个实现重复的元字符是 + ，用于指定前一个字符匹配一次或者多次。
要特别注意 * 和 + 的区别： * 匹配的是零次或者多次，所以被重复的内容可能压根儿不会出现； + 至少需要出现一次。例如 ca+t 会匹配 cat 和 caaat ，但不会匹配 ct 。
还有两个表示重复的元字符，其中一个是问号 ? ，用于指定前一个字符匹配零次或者一次。你可以这么想，它的作用就是把某种东西标志位可选的。例如 小?甲鱼 可以匹配 小甲鱼 ，也可以匹配 甲鱼 。
最灵活的应该是元字符 {m, n} （m 和 n 都是十进制整数），上边讲到的几个元字符都可以使用它来表达，它的含义是前一个字符必须匹配 m 次到 n 次之间。例如 a/{1, 3}b 会匹配 a/b ， a//b 和 a///b 。但不会匹配 ab （没有斜杠）；也不会匹配 a////b （斜杠超过三个）。
你可以省略 m 或者 n，这样的话，引擎会假定一个合理的值代替。省略 m，将被解释为下限 0；省略 n 则会被解释为无穷大（事实上是上边我们提到的 20 亿）。
小甲鱼解释：如果是 {, n} 相当于 {0, n}；如果是 {m, } 相当于 {m, +无穷}；如果是 {n}，则是重复前一个字符 n 次。
聪明的鱼油应该已经发现了，其实 * 、 + 和 ? 都可以使用 {m, n} 来代替。 {0,} 跟 * 是一样的； {1, } 跟 + 是一样的； {0, 1} 跟 ? 是一样的。不过还是鼓励大家记住并使用 * 、 + 和 ? ，因为这些字符更短并且更容易阅读。
小甲鱼解释：还有一个原因是匹配引擎对 * + ? 做了优化，效率要更高些。
正则表达式介绍
正则表达式（Regular expressions 也称为 REs，或 regexes 或 regex patterns）本质上是一个微小的且高度专业化的编程语言。它被嵌入到 Python 中，并通过 re 模块提供给程序猿使用。使用正则表达式，你需要指定一些规则来描述那些你希望匹配的字符串集合。这些字符串集合可能包含英语句子、 e-mail 地址、TeX 命令，或任何你想要的东东。
正则表达式模式被编译成一系列的字节码，然后由一个 C 语言写的匹配引擎所执行。对于高级的使用，你可能需要更关注匹配引擎是如何执行给定的 RE，并通过一定的方式来编写 RE，以便产生一个可以运行得更快的字节码。本文暂不讲解优化的细节，因为这需要你对匹配引擎的内部机制有一个很好的理解。但本文的例子均是符合标准的正则表达式语法。
小甲鱼注释：Python 的正则表达式引擎是用 C 语言写的，所以效率是极高的。另，所谓的正则表达式，这里说的 RE，就是上文我们提到的“一些规则”。
正则表达式语言相对较小，并且受到限制，所以不是所有可能的字符串处理任务都可以使用正则表达式来完成。还有一些特殊的任务，可以使用正则表达式来完成，但是表达式会因此而变得非常复杂。在这种情况下，你可能通过自己编写 Python 代码来处理会更好些；尽管 Python 代码比一个精巧的正则表达式执行起来会慢一些，但可能会更容易理解。
小甲鱼注释：这可能是大家常说的“丑话说在前”吧，大家别管他，正则表达式非常优秀，她可以处理你 98.3% 的文本任务，一定要好好学哦~~~~~
简单的模式
我们将从最简单的正则表达式学习开始。由于正则表达式常用于操作字符串的，因此我们从最常见的任务下手：字符匹配。
字符匹配
大多数字母和字符会匹配它们自身。举个例子，正则表达式 FishC 将完全匹配字符串 "FishC" 。（你可以启用不区分大小写模式，这将使得 FishC 可以匹配 "FISHC" 或 "fishc" ，我们会在后边讨论这个话题。）
当然这个规则也有例外。有少数特殊的字符我们称之为元字符（metacharacter），它们并不能匹配自身，它们定义了字符类、子组匹配和模式重复次数等。本文用很大的篇幅专门讨论了各种元字符及其作用。
下边是元字符的完整列表（我们将在后边逐一讲解）：
. ^ $ * + ? { } [ ] \ | ( )
小甲鱼注释：如果没有这些元字符，正则表达式就变得跟字符串的 find() 方法一样平庸了......
我们先来看下方括号 [ ] ，它们指定一个字符类用于存放你需要匹配的字符集合。可以单独列出需要匹配的字符，也可以通过两个字符和一个横杆 - 指定匹配的范围。例如 [abc] 会匹配字符 a ， b 或 c ； [a-c] 可以实现相同的功能。后者使用范围来表示与前者相同的字符集合。如果你想只匹配小写字母，你的 RE 可以写成 [a-z] 。
需要注意的一点是：元字符在方括号中不会触发“特殊功能”，在字符类中，它们只匹配自身。例如 [akm$] 会匹配任何字符 'a' ， 'k' ， 'm' 或 '$' ， '$' 是一个元字符，但在方括号中它不表示特殊含义，它只匹配 '$' 字符本身。
你还可以匹配方括号中未列出的所有其他字符。做法是在类的开头添加一个脱字符号 ^ ，例如 [^5] 会匹配除了 '5' 之外的任何字符。
或许最重要的元字符当属反斜杠 \ 了。跟 Python 的字符串规则一样，如果在反斜杠后边紧跟着一个元字符，那么元字符的“特殊功能”也不会被触发。例如你需要匹配符号 [ 或 \ ，你可以在它们前面加上一个反斜杠，以消除它们的特殊功能： \[ ， \\ 。
反斜杠后边跟一些字符还可以表示特殊的意义，例如表示十进制数字，表示所有的字母或者表示非空白的字符集合。
小甲鱼解释：反斜杠真牛逼，反斜杠后边跟元字符去除特殊功能，反斜杠后边跟普通字符实现特殊功能。
让我们来举个例子： \w 匹配任何字符。如果正则表达式以字节的形式表示，这相当于字符类 [a-zA-Z0-9_] ；如果正则表达式是一个字符串， \w 会匹配所有 Unicode 数据库（unicodedata 模块提供）中标记为字母的字符。你可以在编译正则表达式的时候，通过提供 re.ASCII 表示进一步限制 \w 的定义。
小甲鱼解释：re.ASCII 标志使得 \w 只能匹配 ASCII 字符，不要忘了，Python3 是 Unicode 的。
下边列举一些反斜杠加字符构成的特殊含义：
它们可以包含在一个字符类中，并且一样拥有特殊含义。例如 [\s,.] 是一个字符类，它将匹配任何空白字符（ /s 的特殊含义）， ',' 或 '.' 。
最后我们要讲的一个元字符是 . ，它匹配除了换行符以外的任何字符。如果设置了 re.DOTALL 标志， . 将匹配包括换行符在内的任何字符。
重复的事情
使用正则表达式能够轻松的匹配不同的字符集合，但 Python 字符串现有的方法却无法实现。然而，如果你认为这是正则表达式的唯一优势，那你就 too young too native 了。正则表达式有另一个强大的功能，就是你可以指定 RE 部分被重复的次数。
我们来看看 * 这个元字符，当然它不是匹配 '*' 字符本身（我们说过元字符都是有特殊能力的），它用于指定前一个字符匹配零次或者多次。
例如 ca*t 将匹配 ct （0 个字符 a）， cat （1 个字符 a）， caaat （3 个字符 a），等等。需要注意的是，由于受到 C 语言的 int 类型大小的内部限制，正则表达式引擎会限制字符 'a' 的重复个数不超过 20 亿个；不过，通常我们工作中也用不到那么大的数据。
正则表达式默认的重复规则是贪婪的，当你重复匹配一个 RE 时，匹配引擎会尝试尽可能多的去匹配。直到 RE 不匹配或者到了结尾，匹配引擎就会回退一个字符，然后再继续尝试匹配。
我们通过例子一步步的给大家讲解什么叫“贪婪”：先考虑一下表达式 a[bcd]*b ，首先需要匹配字符 'a' ，然后是零个到多个 [bcd] ，最后以 'b' 结尾。那现在想象一下，这个 RE 匹配字符串 abcbd 会怎样？
最终，RE 匹配的结果是 abcb 。
小甲鱼解释：正则表达式默认的匹配规则是贪婪的，后边有教你如何使用非贪婪的方法匹配。
另一个实现重复的元字符是 + ，用于指定前一个字符匹配一次或者多次。
要特别注意 * 和 + 的区别： * 匹配的是零次或者多次，所以被重复的内容可能压根儿不会出现； + 至少需要出现一次。例如 ca+t 会匹配 cat 和 caaat ，但不会匹配 ct 。
还有两个表示重复的元字符，其中一个是问号 ? ，用于指定前一个字符匹配零次或者一次。你可以这么想，它的作用就是把某种东西标志位可选的。例如 小?甲鱼 可以匹配 小甲鱼 ，也可以匹配 甲鱼 。
最灵活的应该是元字符 {m, n} （m 和 n 都是十进制整数），上边讲到的几个元字符都可以使用它来表达，它的含义是前一个字符必须匹配 m 次到 n 次之间。例如 a/{1, 3}b 会匹配 a/b ， a//b 和 a///b 。但不会匹配 ab （没有斜杠）；也不会匹配 a////b （斜杠超过三个）。
你可以省略 m 或者 n，这样的话，引擎会假定一个合理的值代替。省略 m，将被解释为下限 0；省略 n 则会被解释为无穷大（事实上是上边我们提到的 20 亿）。
小甲鱼解释：如果是 {, n} 相当于 {0, n}；如果是 {m, } 相当于 {m, +无穷}；如果是 {n}，则是重复前一个字符 n 次。
聪明的鱼油应该已经发现了，其实 * 、 + 和 ? 都可以使用 {m, n} 来代替。 {0,} 跟 * 是一样的； {1, } 跟 + 是一样的； {0, 1} 跟 ? 是一样的。不过还是鼓励大家记住并使用 * 、 + 和 ? ，因为这些字符更短并且更容易阅读。
小甲鱼解释：还有一个原因是匹配引擎对 * + ? 做了优化，效率要更高些。