3.3.1 反向引用

英文中不少单词中都有重叠出现的字母，比如shoot或beep，如果希望检查某个单词是否包含重叠出现的字母，该怎么解决？

匹配字母表达式是[a-z]（这里暂不考虑大写的情况）。但“重叠出现”的字母，取决于第一个[a-z]运行时的匹配结果，而不能预先设定。也就是说必须“知道”之前匹配的确切内容：如果前面匹配的是e，则后面只能是e；如果前面匹配的是a，后面就只能匹配a。

上一节讲到了引用分组，能引用某个分组内的子表达式匹配的文本，但是引用都是在匹配完成后进行的，能不能在正则表达式中引用呢？

答案是可以的，这种功能叫做反向引用（back-reference），它允许在正则表达式内部引用之前（左侧）的捕获分组匹配的文本，其形式也是\num，其中num表示所引用分组的编号，编号规则与之前介绍的相同。

根据反向引用，查找连续重叠字母的表达式就是([a-z])\1，其中的[a-z]匹配第一个字母，再用括号将匹配分组，然后用\1来反向引用。

例3-24 用反向引用匹配重复字母

print(re.search(r'([a-z])\1', 'aabb'))  # 'aa'
print(re.search(r'([a-z])\1', 'cc'))  # 'cc'
print(re.search(r'([a-z])\1', 'mn'))  # None

在日常开发中，我们经常需要反向引用来建立前后联系。最常见的就是解析html tag。在html语法中，tag包括open tag和close tag，它们经常是成对出现的，比如马小跳、

title

。

有了反向引用，就可以先匹配open tag，再匹配其他内容，直到最近的close tag为止：用([^>]+)匹配open tag的tag name，在匹配close tag时，用\1引用之前匹配的tag name。

例3-25 用反向引用匹配成对的tag

pairedTagRegex = re.compile(r'<([a-zA-Z0-9]+)(\s*[^>]+)?>[\s\S]*?')

print(pairedTagRegex.search('马小跳'))  # 马小跳
print(pairedTagRegex.search('
马小跳
'))  # 
马小跳
print(pairedTagRegex.search('
马小跳
'))  # 马小跳

反向引用还可以用在其他很多地方，比如处理中文文本时，查找“浩浩荡荡”、“明明白白”之类aabb或者“如火如荼”、“越来越好”这类abab的四字词语。

关于反向引用，还有一点需要强调：反向引用重复的是对应捕获分组匹配的文本，而不是之前的表达式；也就是说，反向引用的是由之前表达式决定的具体文本，而不是符合某种规则的未知文本。