正则表达式

1  正则表达式到底是什么东西？

在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

很可能你使用过Windows/Dos下用于文件查找的通配符(wildcard)，也就是 * 和 ? 。如果你想查找某个目录下的所有的Word文档的话，你会搜索 *.doc。在这里，* 会被解释成任意的字符串。

和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它能更精确地描述你的需求——当然，代价就是更复杂——比如你可以编写一个正则表达式，用来查找所有以0开头，后面跟着2-3个数字，然后是一个连字号 "-"，最后是7或8位数字的字符串(像010-12345678或0376-7654321)。

2  从几个例子开始

学习正则表达式的最好方法是从例子开始，理解例子之后再自己对例子进行修改，实验。

例一：在一篇英文小说里查找 hi，你可以使用正则表达式 hi。

这几乎是最简单的正则表达式了，它可以精确匹配这样的字符串：由两个字符组成，前一个字符是h，后一个是 i。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中了这个选项，它可以匹配 hi,HI,Hi,hI这四种情况中的任意一种。

不幸的是，很多单词里包含 hi 这两个连续的字符，比如him,history,high等等。用 hi 来查找的话，这里边的 hi 也会被找出来。如果要精确地查找hi这个单词的话，我们应该使用 \bhi\b。

\b 是正则表达式规定的一个特殊代码（好吧，某些人叫它元字符，metacharacter），代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是由空格、标点符号或者换行来分隔的，但是 \b 并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。

例二：假如你要找的是 hi 后面不远处跟着的一个Lucy，你应该用 \bhi\b.*\bLucy\b。

这里，' . '是另一个元字符，匹配除了换行符以外的任意字符。' * '同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定' * '前边的内容可以连续重复使用任意次以使整个表达式得到匹配。因此，' .* '连在一起就意味着任意数量的不包含换行的字符。现在 \bhi\b.*\bLucy\b 的意思就很明显了：先是一个单词hi,然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词。

如果同时使用其它元字符，我们就能构造出功能更强大的正则表达式。

例三：0\d\d\d-\d\d\d\d\d\d\d 匹配这样的字符串

import re

r = r'0\d\d\d-\d\d\d\d\d\d\d'
m = re.search(r,'秦栏小学的电话号码是：0550-7811354，请联系。')
print(m)

# 结果：

以0开头，然后是三个数字，然后是一个连字号"-"，最后是7个数字(也就是中国的电话号码。当然，这个例子只能匹配区号为4位的情形)。

这里的 \d 是个新的元字符，匹配一位数字(0~9)。- 不是元字符，只匹配它本身——连字符(或者减号，或者中横线，或者随你怎么称呼它)。

为了避免那么多烦人的重复，我们也可以这样写这个表达式：0\d{3}-\d{7}。这里\d后面的{3}({7})的意思是前面\d必须连续重复匹配3次(7次)。

3  测试正则表达式

正则表达式的语法很令人头疼，即使对经常使用它的人来说也是如此。由于难于读写，容易出错，所以找一种工具对正则表达式进行测试是很有必要的。

不同的环境下正则表达式的一些细节是不相同的，这里介绍两种可用的测试工具：

• RegexBuddy
• Javascript正则表达式在线测试工具

4  元字符

现在你已经知道几个很有用的元字符了，如 ' \b'， ' . '，'  * ' 还有 ' \d '。正则表达式里还有更多的元字符，比如 ' \s '匹配任意的空白符，包括空格，制表符(Tab)，换行符，中文全角空格等。' \w ' 匹配字母或数字或下划线或汉字等。

例一：\ba\w*\b 匹配以字母a开头的单词

先是某个单词开始处(\b)，然后是字母a,然后是任意数量的字母或数字(\w*)，最后是单词结束处(\b)。

例二：\d+ 匹配1个或更多连续的数字

这里的 + 是和 * 类似的元字符，不同的是 * 匹配重复任意次(可能是0次)，而 + 则匹配重复1次或更多次。

例三：\b\w{6}\b 匹配刚好6个字符的单词。

表1.常用的元字符

代码	说明
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线或汉字
\s	匹配任意的空白符
\d	匹配数字
\b	匹配单词的开始或结束
^	匹配字符串的开始
$	匹配字符串的结束

 5  字符转义

如果你想查找元字符本身的话，比如你查找' . '，或者' * '，就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时你就得使用 \ 来取消这些字符的特殊意义。因此，你应该使用 \.和 \*。当然，要查找 \ 本身，你也得用 \\ 。

例如：deerchao\.net匹配deerchao.net，C:\\Windows匹配C:\Windows。

6  重复

你已经看过了前面的 * , + , {2} , {5,12} 这几个匹配重复的方式了。下面是正则表达式中所有的限定符(指定数量的代码)：

表2.常用的限定符

代码/语法	说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

7  字符类

要想查找数字，字母或数字，空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合，应该怎么办？

例一：如匹配元音字母a,e,i,o,u

很简单，你只需要在方括号里列出它们就行了，像[aeiou]就匹配任何一个英文元音字母。

例二：匹配标点符号( . 或 ? 或 ! )

与上面的方法相同，像[.?!]就可以匹配标点符号( . 或 ? 或 ! )

例三：指定一个字符范围

像[0-9]代表的含意与 \d 就是完全一致的：一位数字；

同理[a-z 0-9 A-Z _ ]也完全等同于\w（如果只考虑英文的话）。

例四：\(?0\d{2}[) -]?\d{8}

注意：" ( " 、" ) "也是元字符，后面的分组节里会提到，所以在这里需要使用转义。

这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。

我们对它进行一些分析吧：首先是一个转义字符\(，它能出现0次或1次(?)，然后是一个0，后面跟着2个数字(\d{2})，然后是 ) 或 - 或空格中的一个，它出现1次或不出现(?)，最后是8个数字 (\d{8})。

8  分枝条件

不幸的是，刚才那个表达式也能匹配010)12345678或(022-87654321这样的"不正确"的格式。要解决这个问题，我们需要用到分枝条件。

正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用 | 把不同的规则分隔开。听不明白？没关系，看例子：

例一：0\d{2}-\d{8}|0\d{3}-\d{7}

这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。

例二：\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}

这个表达式匹配3位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的（\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}|\(?0\d{3}\)?[- ]?\d{7}|0\d{3}[- ]?\d{7}）。

例三：\d{5}-\d{4}|\d{5}

这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。

9  分组

我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？你可以用小括号来指定子表达式(也叫做分组)，然后你就可以指定这个子表达式的重复次数了，你也可以对子表达式进行其它一些操作(后面会有介绍)。

例一：简单的IP地址匹配表达式 (\d{1,3}\.){3}\d{1,3}（有问题的）

要理解这个表达式，请按下列顺序分析它：\d{1,3}匹配1到3位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})。

注：IP地址中每个数字都不能大于255. 经常有人问我, 01.02.03.04 这样前面带有0的数字, 是不是正确的IP地址呢? 答案是: 是的, IP 地址里的数字可以包含有前导 0 (leading zeroes).

例二：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

不幸的是，例一的表达式也将匹配256.300.888.999这种不可能存在的IP地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解这个表达式的关键是理解2[0-4]\d|25[0-5]|[01]?\d\d?，这里我就不细说了，你自己应该能分析得出来它的意义。

10  反义

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义：

表3.常用的反义代码

代码/语法	说明
\W	匹配任意不是字母，数字，下划线，汉字的字符
\S	匹配任意不是空白符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词开头或结束的位置
[^x]	匹配除了x以外的任意字符
[^aeiou]	匹配除了aeiou这几个字母以外的任意字符

例一：\S+ 匹配不包含空白符的字符串。

例二：]+> 匹配用尖括号括起来的以a开头的字符串。

11 后向引用

使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。

呃......其实，组号分配还不像我刚说得那么简单：

• 分组0对应整个正则表达式
• 实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配。因此所有命名组的组号都大于未命名的组号
• 你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权

后向引用用于重复搜索前面某个分组匹配的文本。例如，\1代表分组1匹配的文本。难以理解？请看示例：

例一：\b(\w+)\b\s+\1\b

这个表达式可以用来匹配重复的单词，像go go, 或者kitty kitty。

这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字(\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词）(\1)。

例二：自己指定子表达式的组名

要指定一个子表达式的组名，请使用这样的语法：(?\w+)(或者把尖括号换成 ' 也行：(?'Word'\w+))，这样就把\w+的组名指定为Word了。

要反向引用这个分组捕获的内容，你可以使用\k,所以上一个例子也可以写成这样：\b(?\w+)\b\s+\k\b。

使用小括号的时候，还有很多特定用途的语法。下面列出了最常用的一些：

表4.常用分组语法

分类	代码/语法	说明
捕获	(exp)	匹配exp,并捕获文本到自动命名的组里
	(?exp)	匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)
	(?:exp)	匹配exp,不捕获匹配的文本，也不给此分组分配组号
零宽断言	(?=exp)	匹配exp前面的位置
	(?<=exp)	匹配exp后面的位置
	(?!exp)	匹配后面跟的不是exp的位置
	(?	匹配前面不是exp的位置
注释	(?#comment)	这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读

我们已经讨论了前两种语法。第三个(?:exp)不会改变正则表达式的处理方式，只是这样的组匹配的内容不会像前两种那样被捕获到某个组里面，也不会拥有组号。"我为什么会想要这样做？"——好问题，你觉得为什么呢？

12  零宽断言

接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像\b,^,$那样用于指定一个位置，这个位置应该满足一定的条件（即断言），因此它们也被称为零宽断言。最好还是拿例子来说明吧：

注：断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。

12.1  (?=exp) 零宽度正预测先行断言

它断言自身出现的位置的后面能匹配表达式exp。

比如: \b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。

12.2 (?<=exp) 零宽度正回顾后发断言

它断言自身出现的位置的前面能匹配表达式exp。即表示匹配的内容必须紧接在exp指定的模式之后，但exp本身不会被包含在匹配结果中。这种断言被称为“后发”断言，因为它是在目标位置之后查找模式。

例一：查找以re开头的单词的后半部分(除了re以外的部分)

import re

r = r'(?<=\bre)\w+\b'
m = re.search(r,'reading a book')
print(m)

# 结果：

例二：查找需要在前面和里面添加逗号的部分

假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分：((?<=\d)\d{3})+\b，用它对1234567890进行查找时结果是234567890。

import re

r = r'((?<=\d)\d{3})+\b'
m = re.search(r, '1234567890')
print(m)

# 结果：

例三：查找以空白符间隔的数字

import re

r = r'(?<=\s)\d+(?=\s)'
m = re.search(r, 'The price is 42 dollars.')
print(m)

# 结果：

这个例子中的正则表达式 (?<=\s)\d+(?=\s) 使用了两种断言：正向后视断言 (?<=\s) 和正向前视断言 (?=\s)。这两种断言都是零宽断言，它们不匹配字符，而是用于检查是否存在（或不存在）某种先前（或后续）的字符或模式，但不包括这些字符或模式在匹配结果中。

• (?<=\s): 这是一个正向后视断言，它要求匹配的字符串前面必须有一个空白符（\s）。但是，这个空白符不会被包含在匹配结果中。
• \d+: 这部分匹配一个或多个数字字符。
• (?=\s): 这是一个正向前视断言，它要求匹配的字符串后面必须有一个空白符（\s）。同样，这个空白符也不会被包含在匹配结果中。

综合起来，这个正则表达式会匹配任何被空白符包围的数字序列，但匹配结果中仅包含数字，不包含空白符。

13  负向零宽断言

前面我们提到过怎么查找不是某个字符或不在某个字符类里的字符的方法(反义)。但是如果我们只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？

例一：如果我们想查找这样的单词--它里面出现了字母q,但是q后面跟的不是字母u

尝试1：\b\w*q[^u]\w*\b 匹配包含字母q后面不是字母u的单词

import re

r = r'\b\w*q[^u]\w*\b'
m = re.search(r,'aqlify')
print(m)

# 结果：

但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像Iraq fighting，这个表达式就会出错。

import re

r = r'\b\w*q[^u]\w*\b'
m = re.search(r,'Iraq fighting')
print(m)

# 结果：

这是因为 [^u] 总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。

尝试2：\b\w*q(?!u)\w*\b

import re

r = r'\b\w*q(?!u)\w*\b'
m = re.search(r,'Iraq fighting')
print(m)

# 结果：

13.1  (?!exp) 零宽度负预测先行断言

断言此位置的后面不能匹配表达式exp。这意味着它会尝试匹配其后面的字符序列，但并不会消费任何字符；它只是做一个前瞻性的检查。如果这个前瞻性检查失败（即 exp 表达式不匹配），则整个正则表达式匹配可以继续进行。如果前瞻性检查成功（即找到了匹配 exp 的内容），则整个正则表达式匹配将失败，即使其他部分本来可以匹配成功。

这个断言非常有用，因为它允许你指定某些条件，这些条件必须为假（即不匹配）才能使整个正则表达式匹配成功。

例一：

尝试1：\b\w*q[^u]\w*\b
尝试2：\b\w*q(?!u)\w*\b

这两个正则表达式的目标都是匹配包含字母 "q" 但 "q" 后面不是字母 "u" 的单词。然而，它们在处理这个问题时采用了不同的策略，并且有一个关键的区别。

尝试1：\b\w*q[^u]\w*\b

这个正则表达式使用 [^u] 来确保 "q" 后面的字符不是 "u"。但是，这里有一个潜在的问题：如果 "q" 是单词的最后一个字符，[^u] 将会匹配单词后面的任何字符，这通常是一个分隔符（如空格、逗号、句号等）。然后，\w*\b 可能会匹配下一个单词，导致整个表达式匹配多个单词而不是单个单词。

例如，在字符串 "Iraq is a country" 中，这个正则表达式会错误地匹配 "Iraq is" 而不是仅仅匹配 "Iraq"。

尝试2：\b\w*q(?!u)\w*\b

这个正则表达式使用了否定前瞻断言 (?!u)。这个断言检查 "q" 后面的字符是否不是 "u"，但它不消费任何字符。这意味着它只检查一个条件而不实际匹配字符。因此，即使 "q" 是单词的最后一个字符，这个表达式也不会错误地匹配到下一个单词。

在同样的例子 "Iraq is a country" 中，这个正则表达式将正确地只匹配 "Iraq"。

总结

• 尝试1使用 [^u] 来排除 "u"，但可能会在 "q" 是单词末尾时出错。
• 尝试2使用否定前瞻断言 (?!u) 来确保 "q" 后面不是 "u"，这种方法在处理单词边界时更加准确。因此，尝试2通常是更好的选择，因为它更准确地实现了所需的功能。

例二：\d{3}(?!\d) 匹配三位数字，而且这三位数字的后面不能是数字

import re
# 正则表达式模式
pattern = r'\d{3}(?!\d)'
# 要搜索的字符串
text = "Here are some numbers: 123, 1234, 567, and 8901."
# 使用findall方法找到所有匹配项
matches = re.findall(pattern, text)

# 结果：['123', '234', '567', '901']

在这个例子中，re.findall()方法返回了一个包含所有匹配项的列表。

字符串"123"、"234"、"567"、"901"都被匹配到了，因为它们都是三位数字，并且后面没有紧跟着其他数字 

import re

# 正则表达式模式
pattern = r'\b\d{3}(?!\d)'
# 要搜索的字符串
text = "Here are some numbers: 123, 1234, 567, and 8901."
# 使用findall方法找到所有匹配项
matches = re.findall(pattern, text)

# 结果：['123', '567']

上面的代码使用了适当的正则表达式来匹配恰好为三位数且其后不是数字的数字序列。正则表达式 \b\d{3}(?!\d) 中的 \b 是一个单词边界符，它确保匹配的三位数是一个完整的单词（在这里是指数字），而不是一个更长数字的一部分。

例三：\b(?!\w*abc\w*)\w+\b 匹配不包含连续字符串abc的单词。

import re

# 要搜索的字符串
text = "example words abcdef xyabc noabc 123abc456 boxere"

# 使用正则表达式匹配不包含 "abc" 的单词
pattern = r'\b(?!\w*abc\w*)\w+\b'

# 使用findall方法找到所有匹配项
matches = re.findall(pattern, text)

# 输出匹配结果
print(matches)  # 结果：['example', 'words', 'boxere']

13.2  (?

例一：(?

import re

text = "There are 1234567 apples and 8901234 oranges, but only a1234567 is the code."
pattern = r'(?

运行这段代码后，matches 应该包含两个字符串：'1234567' 和 '8901234'。这两个字符串都是前面没有小写字母的七位数字，符合我们的正则表达式模式。而尽管 a1234567 是一个七位数字，但由于它前面紧跟着小写字母 a，因此它不会被匹配。 

例二：(?<=<(\w+)>).*(?=<\/\1>) 匹配不包含属性的简单HTML标签内里的内容。

这个正则表达式 (?<=<(\w+)>).*(?=<\/\1>) 的设计目的是要匹配不包含属性的简单HTML标签内部的内容。但是，这个正则表达式有几个问题和潜在的不足之处，不过在深入分析之前，我们先解释一下这个表达式各部分的含义。

1. (?<=<(\w+)>)：这是一个正向后视断言（positive lookbehind assertion），用于匹配后面跟随特定内容的字符串，但不包括这些内容本身。在这里，它尝试匹配一个左尖括号 <，后面跟着一个或多个单词字符（\w+，等价于 [a-zA-Z0-9_]），再后面是一个右尖括号 >。(\w+) 是一个捕获组，用于捕获标签名，以便稍后可以在表达式中引用它。

   然而，这里有一个问题：正向后视断言中的模式必须是固定宽度的，而 \w+ 的长度是可变的。因此，这个正则表达式在大多数正则表达式引擎中都会引发错误，因为可变宽度的正向后视断言通常是不支持的。

2. .*：这部分匹配任意数量的任意字符（换行符除外，除非使用了 re.DOTALL 或 re.S 标志）。这是用来捕获HTML标签内部的内容的。

3. (?=<\/\1>)：这是一个正向前视断言（positive lookahead assertion），用于匹配前面有特定内容的字符串，但不包括这些内容本身。在这里，它尝试匹配一个字符串，该字符串前面是一个左尖括号 <，后面跟着一个斜杠 /，再后面是第一个捕获组中捕获的标签名（通过 \1 引用），最后是一个右尖括号 >。这是用来确保我们匹配的内容确实是在一个HTML标签内部的。

然而，由于可变宽度的正向后视断言的问题，这个正则表达式实际上是无法正常工作的。

不过，如果我们只是想要一个简单的正则表达式来匹配不包含属性的简单HTML标签内部的内容，并且我们可以假设HTML是格式良好的（即没有嵌套的同名标签），我们可以尝试以下方法之一：

import re

text = "
This is some text.
This is another text.
"
pattern = r"<(\w+)>(.*?)<\/\1>"
matches = re.findall(pattern, text, re.DOTALL)

for tag, content in matches:
    print(f"Tag: {tag}, Content: {content}")

这里我们使用了 .*? 来进行非贪婪匹配，以确保只匹配到最近的闭合标签。我们还使用了 re.DOTALL 标志来确保 . 可以匹配包括换行符在内的任意字符。但是请注意，这个正则表达式仍然无法正确处理嵌套的同名标签或包含属性的标签。对于更复杂的HTML处理，强烈建议使用专门的HTML解析库。

14  注释

小括号的另一种用途是通过语法(?#comment)来包含注释。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含注释的话，最好是启用"忽略模式里的空白符"选项，这样在编写表达式时能任意的添加空格，Tab，换行，而实际使用时这些都将被忽略。启用这个选项后，在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如，我们可以将前面的一个表达式写成这样：

      (?<=    # 断言要匹配的文本的前缀
      <(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签)
      )       # 前缀结束
      .*      # 匹配任意文本
      (?=     # 断言要匹配的文本的后缀
      <\/\1>  # 查找尖括号括起来的内容：前面是一个"/"，后面是先前捕获的标签
      )       # 后缀结束

15  贪婪与懒惰

15.1  贪婪匹配

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

import re

text = 'aabab'
r = r'a.*b'
m = re.findall(r,text)
print(m)  # 结果：['aabab']

15.2  懒惰匹配

有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

import re

text = 'aabab'
r = r'a.*?b'
m = re.findall(r,text)
print(m)  # 结果：['aab', 'ab']

a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

注：为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

表5.懒惰限定符

代码/语法	说明
*?	重复任意次，但尽可能少重复
+?	重复1次或更多次，但尽可能少重复
??	重复0次或1次，但尽可能少重复
{n,m}?	重复n到m次，但尽可能少重复
{n,}?	重复n次以上，但尽可能少重复

16  还有些什么东西没提到

上边已经描述了构造正则表达式的大量元素，但是还有很多没有提到的东西。下面是一些未提到的元素的列表，包含语法和简单的说明。

表7.尚未详细讨论的语法

代码/语法	说明
\a	报警字符(打印它的效果是电脑嘀一声)
\b	通常是单词分界位置，但如果在字符类里使用代表退格
\t	制表符，Tab
\r	回车
\v	竖向制表符
\f	换页符
\n	换行符
\e	Escape
\0nn	ASCII代码中八进制代码为nn的字符
\xnn	ASCII代码中十六进制代码为nn的字符
\unnnn	Unicode代码中十六进制代码为nnnn的字符
\cN	ASCII控制字符。比如\cC代表Ctrl+C
\A	字符串开头(类似^，但不受处理多行选项的影响)
\Z	字符串结尾或行尾(不受处理多行选项的影响)
\z	字符串结尾(类似$，但不受处理多行选项的影响)
\G	当前搜索的开头
\p{name}	Unicode中命名为name的字符类，例如\p{IsGreek}
(?>exp)	贪婪子表达式
(?-exp)	平衡组
(?im-nsx:exp)	在子表达式exp中改变处理选项
(?im-nsx)	为表达式后面的部分改变处理选项
(?(exp)yes|no)	把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no
(?(exp)yes)	同上，只是使用空表达式作为no
(?(name)yes|no)	如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no
(?(name)yes)	同上，只是使用空表达式作为no