正则表达式知识总结
1、前言
正则表达式，如果有一定编程经验的同学，一定知道，可能你知道，但又说不出个所以然来，平时不经常使用，很容易就忘记，有一部分原因，我认为是总结的内容，不够简单和深刻。所以，自己尝试总结一下正则表达式的基础知识点，对于大部分的编程场景应该足够使用啦。另外，也希望通过总结，以便后续忘记时，能快速的记忆起来，这就是本文章的主要内容。
2、正则表达式
RegularExpression.png
匹配字符集
| 语法 | 匹配 | 示例 |
|---|---|---|
. |
匹配任意字符（除了\n） |
表达式：. 匹配任意一个字符 |
[...] |
匹配字符集(... 表示任意字符) |
表达式:[a-zA-Z] 匹配任意一个小写或大写的字母。表达式: [iHTC] 匹配 "i", "H", "T" 和 "C"。表达式: [e-k] 匹配 "e" 到 "k" 之间的字符。 |
\d |
匹配数字 | 表达式：a\d，匹配字符串 "aaa123" 中的 a1 。表达式： a.\d，匹配字符串 "aaa123" 中的 aa1 。 |
\D |
匹配非数字 | 表达式：a.\D，匹配字符串 "aaa123" 中的 aaa 。 |
\s |
匹配空白字符（包括空格、制表符、换页符等空白字符，[ \t\n\r\f]） |
表达式：a.\s，匹配字符串 "aaa 123" 中的 aa（最后是空格） 。 |
\S |
匹配非空白字符 | 表达式：a.\S，匹配字符串 "aaa 123" 中的 aaa 。 |
\w |
匹配单词字符（[a-zA-Z0-9_]和汉字） | 表达式：a.\w，匹配字符串 "aaa 123" 中的 aaa 。 |
\W |
匹配非单词字符 | 表达式：a.\W，匹配字符串 "aaa 123" 中的 aa（最后是空格） 。 |
\ |
转义字符 |
\r, \n 代表回车和换行符; \t 制表符; \\ 代表 "" 本身; \^ 匹配 ^ 符号本身; \$ 匹配 $ 符号本身; \. 匹配小数点（.）本身。 |
匹配量词（Quantifier）
| 语法 | 匹配 | 示例 |
|---|---|---|
* |
匹配表达式出现 0次或者无限次，相当于 {0,} | 表达式：a*，匹配字符串 "aaa123" 中的 aaa 。 |
+ |
匹配表达式至少出现 1次或者无限次，相当于 {1,} | 表达式：a+，匹配字符串 "aaa123" 中的 aaa 。 |
? |
匹配表达式 0次或者 1次，相当于 {0,1} | 表达式：a?，匹配字符串 "aaa123" 中的 a 。 |
{m,n} |
匹配表达式至少重复 m 次，最多重复 n 次 | 表达式：a{1,2}，匹配字符串 "aaa123" 中的 aa 。 |
{m} |
匹配表达式重复 m 次 | 表达式：a{3}，匹配字符串 "aaa123" 中的 aaa 。 |
{m,} |
匹配表达式至少重复 m 次 | 表达式：a{1,}，匹配字符串 "aaa123" 中的 aaa 。 |
*? |
匹配模式变为非贪婪（尽可能少匹配字符），匹配表达式可以为 0次，也可以是无限次 | 表达式：a[0-9]*?23'，匹配字符串 "aaa123" 中的 a123 。如果匹配字符串 "aaa23" 则为 a23 。 如果匹配字符串 "aaa456123" 则为 a456123 。 |
+? |
匹配模式变为非贪婪（尽可能少匹配字符），匹配表达式至少 1次，也可以是无限次 | 表达式：a[0-9]+?23，匹配字符串 "aaa123" 中的 a123 。如果匹配字符串 "aaa23" 则匹配失败 。 如果匹配字符串 "aaa456123" 则为 a456123 。 |
?? |
匹配模式变为非贪婪（尽可能少匹配字符），匹配表达式最多 1次，也可以是 0次 | 表达式：a[0-9]??23，匹配字符串 "aaa123" 中的 a123 。如果匹配字符串 "aaa23" 则为 a23 。 如果匹配字符串 "aaa456123" 则匹配失败。 |
{m,n}? |
非贪婪模式，匹配符合的最短的字符串 | 表达式：a[0-9]{1,4}?23，匹配字符串 "aaa123" 中的 a123 。如果匹配字符串 "aaa23" 则匹配失败 。 如果匹配字符串 "aaa456123" 则为 a456123 |
匹配边界
| 语法 | 匹配 | 示例 |
|---|---|---|
^ |
匹配字符串开头 | 表达式：^\d 表示必须以数字开头。表达式： [^abc] 匹配 a, b, c 之外的任意一个字符。 |
$ |
匹配字符串结尾 | 表达式：*.com$ 匹配 .com 结尾的字符串。\d$表示必须以数字结束。 |
\A |
指定的字符串匹必须出现在开头 | 表达式：\Aa，匹配字符串 "aaa123" 中的 a 。 |
\Z |
指定的字符串匹必须出现在结尾。如果是存在换行，只匹配到换行前的结束字符串。 | 表达式：\d\Z，匹配字符串 "aaa123" 中的 3 。 |
\b |
匹配一个单词边界，但只在单词开始或结尾的位置，即匹配 \w 和 \W 之间。（本身不匹配任何字符） |
表达式：\b4，匹配字符串 "aaa123 456" 中的 4 。表达式： \b5，匹配字符串 "aaa123 456" 则为失败。 |
\B |
匹配非单词边界，但不能在词的开头或者结尾，即匹配 [^\b] 。（本身不匹配任何字符） |
表达式：\B4，匹配字符串 "aaa123 456" 则为失败。表达式： \B5，匹配字符串 "aaa123 456" 中的 5 。 |
匹配条件分组
| 语法 | 匹配 | 示例 |
|---|---|---|
| |
匹配左右任意一个表达式 | 表达式：a|b，匹配字符串 "aaa123" 中的 a 。 |
(ab) |
括号中表达式作为一个分组 | 表达式：(a1)，匹配字符串 "aaa123" 中的 a1 。表达式： (P|p)ython，可以匹配 Python 或者 python。 |
(?:exp) |
表示非捕获分组，匹配 pattern 但不获取匹配结果。 | 表达式：([a-z]*)([0-9]*)([a-z]*)，匹配字符串 "aaa123def456" 中的 'aaa', '123', 'def' 。表达式： (?:[a-z]*)([0-9]*)([a-z]*)，匹配字符串 "aaa123def456" 中的 '123', 'def' 。 |
\<number> |
引用编号为 number 的分组(规则)匹配到的字符串 | 表达式：(\d)def\1，匹配字符串 "aaa123def321" 中的 3def3 。 |
(?P<name>) |
给分组起一个别名 name | 表达式：(?P<tag>\d)def(?P=tag)，匹配字符串 "aaa123def321" 中的 3def3 。 |
(?P=name) |
引用别名为 name 的分组匹配字符串 | 表达式：<(?P<tag>\w*)>.*</(?P=tag)>，匹配字符串 <html><h1>www.iHTCboy.com</h1><html> 中的 <h1>www.iHTCboy.com</h1> 。 |
预搜索
| 语法 | 匹配 | 示例 |
|---|---|---|
(?=exp) |
断言自身出现的位置的后面能匹配表达式 exp，exp1(?=exp2)：查找 exp2 前面的 exp1。 | 表达式：Windows(?=XP|7|8) 能匹配Windows7 中的 “Windows”，但不能匹配 Windows10 中的“Windows”。 |
(?!exp) |
断言自身出现的位置的后面不能匹配表达式 exp，exp1(?!exp2)：查找后面不是 exp2 的 exp1。 | 表达式：Windows(?!XP|7|8) 能匹配Windows10 中的“Windows”，但不能匹配 Windows7 中的“Windows”。 |
(?<=exp) |
断言自身出现的位置的前面能匹配表达式 exp，(?<=exp2)exp1：查找 exp2 后面的 exp1。 | 表达式：(?<=XP|7|8)Windows 能匹配 7Windows 中的“Windows”，但不能匹配 10Windows 中的“Windows”。 |
(?<!exp) |
断言自身出现的位置的前面不能匹配表达式 exp，(?<!=exp2)exp1：查找前面不是 exp2 的 exp1。 | 表达式：(?<!XP|7|8)Windows 能匹配 10Windows 中的“Windows”，但不能匹配 7Windows 中的“Windows”。 |
exp ：expression（表达式）
匹配模式
| 类型 | 模式 | 说明 |
|---|---|---|
IGNORECASE |
忽略大小写模式 | 匹配时忽略大小写。（正则默认是区分大小写的） |
SINGLELINE |
单行模式 | 整个文本看作一个字符串，只有一个开头一个结尾 |
MULTILINE |
多行模式 | 每行都是一个字符串。在多行模式下，如果需要仅匹配字符串开始和结束位置，可以使用 \A 和 \Z |
3、Python 正则表达式
如果使用编辑语言来执行正则表达式呢？所有语言都是相通的，这是记录了之前使用 Python 的 re 模块做正则匹配的功能。
compile 和 match 函数
re.compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match()、search() 等函数使用。
re.match 尝试从字符串的起始位置匹配一个模式，如果字符串开始不符合正则表达式，就返回 None 。
result = re.match(pattern, string)
等价于
prog = re.compile(pattern)
result = prog.match(string)
注：如果需要多次使用这个正则表达式的话，使用
re.compile()保存这个正则对象以便复用匹配多个字符串，可以让程序更加高效。
search 函数
re.search 扫描整个字符串并返回第一个成功的匹配。如果没有匹配，就返回一个 None 。
re.search(pattern, string, flags=0)
示例：
>>> re.search('iHTCboy', 'www.iHTCboy.com')
>>>
<re.Match object; span=(4, 11), match='iHTCboy'>
我们可以使用 group(num) 或 groups() 匹配对象函数来获取匹配表达式。
>>> searchObj = re.search( r'(.*) are (.*?) .*', "iHTCboy are my nikename)
>>> print(searchObj.group())
>>> print(searchObj.groups())
>>> print(searchObj.group(1))
>>> print(searchObj.group(2))
>>>
iHTCboy are my nikename
('iHTCboy', 'my')
iHTCboy
my
findall 函数
re.findall 在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。
re.findall(pattern, string, flags=0)
对
string返回一个不重复的pattern的匹配列表，string从左到右进行扫描，匹配按找到的顺序返回。如果样式里存在一到多个组，就返回一个组合列表；就是一个元组的列表（如果样式里有超过一个组合的话）。空匹配也会包含在结果里。
比如查找字符串中的所有数字：
>>> result2 = re.findall(r'\d+', 'abc123d4efg567')
>>>
['123', '4', '567']
查找不是以 4、7 结尾的手机号码(11位)手机号码：
>>> result2 = re.findall(r'^1\d{9}[0-35-68-9]$', 'xxxxx')
>>>
finditer 函数
和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。
re.finditer(pattern, string, flags=0)
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器：
>>> for m in re.finditer(r'\d+', 'abc123d4efg567'):
>>> print(m.group())
>>>
123
4
567
split 函数
re.split 方法按照能够匹配的子串将字符串分割后返回列表。
re.split(pattern, string, maxsplit=0, flags=0)
用
pattern分开string。如果maxsplit非零， 最多进行maxsplit次分隔， 剩下的字符全部返回到列表的最后一个元素。
对于规则的字符串，比如 abc 我们一般可以用 split 函数分割，但是如果遇到 a b c 这样的字符串，得到的结果就是 ['a', 'b', '', '', 'c']。所以，你可能需要人工来自己再次过滤，而使用正则表达式来处理，就显示很轻松：
>>> re.split(r'[\s\,]+', 'a,b, c d')
>>>
['a', 'b', 'c', 'd']
上面的 [\s\,]+ 表示匹配 \s (空格）和 , 中任意一个至少一次的分割。
对于一个找不到匹配的字符串而言，split 不会对其作出分割。
>>> re.split('a*', 'hello iHTCboy')
>>>
['hello iHTCboy']
sub 函数
re.sub 用于替换字符串中的匹配项。
re.sub(pattern, repl, string, count=0, flags=0)
返回通过使用
repl替换在string最左边非重叠出现的pattern而获得的字符串。 如果样式没有找到，则不加改变地返回 string。repl可以是字符串或函数；如为字符串，则其中任何反斜杠转义序列都会被处理。 也就是说，\n会被转换为一个换行符，\r会被转换为一个回车附，依此类推。
比如电话号码格式可能带有空格或者-时，可以替换为空字符串：
>>> re.sub(r'\D', "", "188-8888-8888")
>>>
18888888888
repl 参数可以是一个函数，用于对匹配的内容进行更多的逻辑处理：
# 将匹配的数字乘以 2
>>> def double(matched):
>>> value = int(matched.group('value'))
>>> return str(value * 2)
>>>
>>> re.sub('(?P<value>\d+)', double, 'abc123d4efg567')
>>>
abc246d8efg1134
总结
正则表达式的内容有非常的多，如果不经常使用的话，可以就会很快忘记。所以，正则其实是不是应该记住呢？其实，应该是要记住，如果记不住，要不要紧？其实，是不要紧，因为正则就想查表一下，你如果之前已经比较系统的学习过，忘记了规则，看一下本文就大概记起来了。所以，这就是本文的目的，总结性的文章，不需要太多的复杂，简单又快捷的总结。
国庆中秋双节快乐！这篇文章应该是去年9月就定下来但迟迟没有动手，现在又过一年了，感叹生活真快。好好学习，天天快乐~
参考
- 如有疑问，欢迎在评论区一起讨论！
- 如有不正确的地方，欢迎指导！
注：本文首发于 iHTCboy's blog，如若转载，请注来源
