正则表达式4.pdf

正则表达式介绍1 正则表达式 （Regularexpressions 也称为 REs，或 regexes 或 regexpatterns）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 匹配任何单词字符。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： 特殊字 含义 符