Python中的正则表达式（一）
2020-05-08
作者：老齐
与本文相关的图书推荐：《跟老齐学Python：轻松入门》
正则表达式（regular expression）在编程中占有重要地位，它能够按照指定的方式匹配具有某种结构的字符串。本文将对此技术给予详述。
Python中的正则表达式
假设有一个字符串s，在程序中，需要检查'123'是否为这个字符串的一部分，这种需求可以用下面的代码实现。
1 | >>> s = 'foo123bar' |
如果你不仅想知道'123'是否在字符串s中，还想知道它在字符串的什么位置，可以使用字符串的.find()或者.index()方法，返回'123'在s中的索引。
1 | >>> s = 'foo123bar' |
在上面的例子中，是按照字符一一对应的方式匹配的，这种方式会适用于很多地方，但是，有时候也会有更复杂的问题。比如，判断字符串中是否有像'123'这样有数字组成的字符串，例如'foo123bar'、’foo456bar’、‘234baz’、和‘qux678’`，再用上面的方法，就会太麻烦了，这就要正则表达式出场了。
正则表达式极简史
1951年，数学家斯Stephen Cole Kleene提出了正则表达式，20世纪60年代中期，计算机科学先驱Ken Thompson——Unix的原始设计师之一，他使用Kleene创造的符号在QED文本编辑器中实现了模式匹配。
自那时以来，正则表达式就出现在了许多编程语言、编辑器和其他工具中，作为确定字符串是否与指定模式匹配的方法，Python、Java 和 Perl等 都支持正则表达式，大多数Unix工具和许多文本编辑器都支持正则表达式。
re模块
Python中的正则表达式用re模块实现，它包括很多实用的方法，接下来，会介绍其中的大部分。
现在，先来研究re.search()。
1 | re.search(<regex>, <string>) |
re.search(<regex>, <string>)按照<regex>参数所设置的正则表达式，扫描<string>参数的字符串，这个过程可以称为“匹配”，如果有符合正则表达式结构的子字符串，即匹配存在，就会返回第一个所匹配的对象，否则返回None。
后面还会介绍，re.search()中的第三个参数<flags>。
怎么使用re.search()
基本使用方法如下：
1 | import re |
熟悉模块使用方法的，可能会知道，还能这样做：
1 | from re import search |
示例
下面的示例，演示re.search()的基本应用：
1 | >>> s = 'foo123bar' |
在上面示例中，<regex>就是123，<string>是字符串s，最后返回了匹配结果，有此结果，我们至少知道字符串s中含有'123'。
如果写一个比较完整的程序，可以用条件语句判断一下：
1 | >>> if re.search('123', s): |
前面代码中返回结果<_sre.SRE_Match object; span=(3, 6), match='123'>，其中的span(3, 6)意思是字符串中匹配<regex>出现的位置，与切片的含义一样。
1 | >>> s[3:6] |
不过，上面的例子显然没有体现正则表达式的优势，只说明了它的基本操作流程。
正则表达式中的元字符
在正则表达式中，有一些特定字符，它们被称为元字符，每个元字符，代表了正则表达式中的某个特殊含义，能够满足正则匹配搜索引擎的查询之需。
例如，一组方括号（[ ]）表示了一个元字符类，即匹配字符类中的任何一个字符：
1 | >>> s = 'foo123bar' |
[0-9]表示要匹配0到9的任何一个数字字符，[0-9][0-9][0-9]则表示匹配连续三个0到9之间的任何数字字符，在字符串s中，符合要求的就是123。
1 | >>> re.search('[0-9][0-9][0-9]', 'foo456bar') |
如果没有连续的三个数字字符，就不会匹配。
1 | >>> print(re.search('[0-9][0-9][0-9]', '12foo34')) |
另外一个元字符的例子是“句点”（.），它表示任何一种类型的字符（除了换行符）：
1 | >>> s = 'foo123bar' |
在第一个例子中，1和3是明显有匹配的，.匹配了2。但是，第二个示例则没有匹配。
re模块的元字符
下表中列出的，是re模块支持的元字符。
| 字符 | 说明 |
|---|---|
| . | 除了换行符之外，匹配任何单个的字符 |
| ^ | （1）在字符串开头锚定匹配（2）补充字符类 |
| $ | 在字符串末尾锚定匹配 |
| * | 匹配0个或更多 |
| + | 匹配1个或更多 |
| ? | 当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 “oooo”，’o+?’ 将匹配单个 “o”，而 ‘o+’ 将匹配所有 ‘o’。 |
| {n} | n 是一个非负整数。匹配确定的 n 次。例如，’o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。 |
| \ | 将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如，’n’ 匹配字符 “n”。’\n’ 匹配一个换行符。序列 ‘\‘ 匹配 “" 而 “(“ 则匹配 “(“。 |
| [] | 特定字符集 |
| () | 创建组 |
| : # = ! | 特定组 |
| <> | 有名称的组 |
下面以示例说明部分元字符的应用。
字符类符号：[ ]
[ ]里面表示的字符类，即要匹配的一个字符集合。
1 | >>> re.search('ba[artz]', 'foobarqux') |
[artz]表示4个独立的字符，在上面的示例中，正则表达式ba[artz]匹配了字符串中的bar和baz，当然，如果有可能，还可以匹配baa、bat。
字符集中，可以用-表示字符序列的范围，例如[a-z]表示匹配英文小写字母a到z中的任何一个字母。
1 | >>> re.search('[a-z]', 'FOObar') |
[0-9]表示任何一个数字字符：
1 | >>> re.search('[0-9][0-9]', 'foo123bar') |
在这个示例中，[0-9][0-9]表示匹配两个数字组成的字符串，对于字符串foo123bar，匹配了第一次出现的符合正则表达式的部分。
[0-9a-fA-F]表示16进制的任何一个字符。
1 | >>> re.search('[0-9a-fA-f]', '--- a0 ---') |
这里匹配了第一个出现的16进制的字符a。
也可以在字符类中以^作为第一个字符，则表示要匹配该字符类的补集，即所有不是字符集中的字符。如下所示，[^0-9]表示非数字字符。
1 | >>> re.search('[^0-9]', '12345foo') |
这里匹配的结果是第一个非数字的字母字符f。如果^不在首位，就没有了上面那种特殊含义了，仅仅是一个普通的^符号。
1 | >>> re.search('[#:^]', 'foo^bar:baz#qux') |
前面已经说过，-表示了字符范围，但是，如果希望在正则表达式中匹配一个连字符-，怎么办？如果-在首位或者末尾，就表示连字符本身，如果在中间，可以只用转义符\。
1 | >>> re.search('[-abc]', '123-456') |
同样，对于]符号，也可以用类似方法处理。
1 | >>> re.search('[]]', 'foo[1]') |
在[ ]所设定的字符集中，其他各种元字符都失掉了作为元字符的含义。
1 | >>> re.search('[)*+|]', '123*456') |
这些元字符都编程了普通的字符。
（未完，待续）
参考资料：https://realpython.com/regex-python/
搜索技术问答的公众号：老齐教室
在公众号中回复：老齐，可查看所有文章、书籍、课程。
若你觉得我的文章对你有帮助，欢迎点击上方按钮对我打赏
关注微信公众号，读文章、听课程，提升技能