注：本文翻譯自 Regular ExPRession HOWTO，小甲魚童鞋對此做了一些注釋和修改。


正則表達式介紹

正則表達式（Regular expressions 也稱為 REs，或 regexes 或 regex patterns）本質(zhì)上是一個微小的且高度專業(yè)化的編程語言。它被嵌入到 Python 中，并通過 re 模塊提供給程序猿使用。使用正則表達式，你需要指定一些規(guī)則來描述那些你希望匹配的字符串集合。這些字符串集合可能包含英語句子、 e-mail 地址、TeX 命令，或任何你想要的東東。

正則表達式模式被編譯成一系列的字節(jié)碼，然后由一個 C 語言寫的匹配引擎所執(zhí)行。對于高級的使用，你可能需要更關注匹配引擎是如何執(zhí)行給定的 RE，并通過一定的方式來編寫 RE，以便產(chǎn)生一個可以運行得更快的字節(jié)碼。本文暫不講解優(yōu)化的細節(jié)，因為這需要你對匹配引擎的內(nèi)部機制有一個很好的理解。但本文的例子均是符合標準的正則表達式語法。

小甲魚注釋：Python 的正則表達式引擎是用 C 語言寫的，所以效率是極高的。另，所謂的正則表達式，這里說的 RE，就是上文我們提到的“一些規(guī)則”。

正則表達式語言相對較小，并且受到限制，所以不是所有可能的字符串處理任務都可以使用正則表達式來完成。還有一些特殊的任務，可以使用正則表達式來完成，但是表達式會因此而變得非常復雜。在這種情況下，你可能通過自己編寫 Python 代碼來處理會更好些；盡管 Python 代碼比一個精巧的正則表達式執(zhí)行起來會慢一些，但可能會更容易理解。

小甲魚注釋：這可能是大家常說的“丑話說在前”吧，大家別管他，正則表達式非常優(yōu)秀，她可以處理你 98.3% 的文本任務，一定要好好學哦~~~~~


簡單的模式

我們將從最簡單的正則表達式學習開始。由于正則表達式常用于操作字符串的，因此我們從最常見的任務下手：字符匹配。


字符匹配

大多數(shù)字母和字符會匹配它們自身。舉個例子，正則表達式 FishC 將完全匹配字符串 "FishC"。（你可以啟用不區(qū)分大小寫模式，這將使得 FishC 可以匹配 "FISHC" 或 "fishc"，我們會在后邊討論這個話題。）

當然這個規(guī)則也有例外。有少數(shù)特殊的字符我們稱之為元字符（metacharacter），它們并不能匹配自身，它們定義了字符類、子組匹配和模式重復次數(shù)等。本文用很大的篇幅專門討論了各種元字符及其作用。

下邊是元字符的完整列表（我們將在后邊逐一講解）：

.   ^   $   *   +   ?   { }   [ ]   /   |   ( )

小甲魚注釋：如果沒有這些元字符，正則表達式就變得跟字符串的 find() 方法一樣平庸了......


我們先來看下方括號 [ ]，它們指定一個字符類用于存放你需要匹配的字符集合。可以單獨列出需要匹配的字符，也可以通過兩個字符和一個橫桿 - 指定匹配的范圍。例如 [abc] 會匹配字符 a，b 或 c；[a-c] 可以實現(xiàn)相同的功能。后者使用范圍來表示與前者相同的字符集合。如果你想只匹配小寫字母，你的 RE 可以寫成 [a-z]。

需要注意的一點是：元字符在方括號中不會觸發(fā)“特殊功能”，在字符類中，它們只匹配自身。例如 [akm$] 會匹配任何字符 'a'，'k'，'m' 或 '$'，'$' 是一個元字符，但在方括號中它不表示特殊含義，它只匹配 '$' 字符本身。

你還可以匹配方括號中未列出的所有其他字符。做法是在類的開頭添加一個脫字符號 ^ ，例如 [^5] 會匹配除了 '5' 之外的任何字符。


或許最重要的元字符當屬反斜杠 / 了。跟 Python 的字符串規(guī)則一樣，如果在反斜杠后邊緊跟著一個元字符，那么元字符的“特殊功能”也不會被觸發(fā)。例如你需要匹配符號 [ 或 /，你可以在它們前面加上一個反斜杠，以消除它們的特殊功能：/[，//。

反斜杠后邊跟一些字符還可以表示特殊的意義，例如表示十進制數(shù)字，表示所有的字母或者表示非空白的字符集合。

小甲魚解釋：反斜杠真牛逼，反斜杠后邊跟元字符去除特殊功能，反斜杠后邊跟普通字符實現(xiàn)特殊功能。

讓我們來舉個例子：/w 匹配任何字符。如果正則表達式以字節(jié)的形式表示，這相當于字符類 [a-zA-Z0-9_]；如果正則表達式是一個字符串，/w 會匹配所有 Unicode 數(shù)據(jù)庫（unicodedata 模塊提供）中標記為字母的字符。你可以在編譯正則表達式的時候，通過提供 re.ASCII 表示進一步限制 /w 的定義。

小甲魚解釋：re.ASCII 標志使得 /w 只能匹配 ASCII 字符，不要忘了，Python3 是 Unicode 的。

下邊列舉一些反斜杠加字符構成的特殊含義：

它們可以包含在一個字符類中，并且一樣擁有特殊含義。例如 [/s,.] 是一個字符類，它將匹配任何空白字符（/s 的特殊含義），',' 或 '.'。 

最后我們要講的一個元字符是 .，它匹配除了換行符以外的任何字符。如果設置了 re.DOTALL 標志，. 將匹配包括換行符在內(nèi)的任何字符。


重復的事情

使用正則表達式能夠輕松的匹配不同的字符集合，但 Python 字符串現(xiàn)有的方法卻無法實現(xiàn)。然而，如果你認為這是正則表達式的唯一優(yōu)勢，那你就 too young too native 了。正則表達式有另一個強大的功能，就是你可以指定 RE 部分被重復的次數(shù)。


我們來看看 * 這個元字符，當然它不是匹配 '*' 字符本身（我們說過元字符都是有特殊能力的），它用于指定前一個字符匹配零次或者多次。

例如 ca*t 將匹配 ct（0 個字符 a），cat（1 個字符 a），caaat（3 個字符 a），等等。需要注意的是，由于受到 C 語言的 int 類型大小的內(nèi)部限制，正則表達式引擎會限制字符 'a' 的重復個數(shù)不超過 20 億個；不過，通常我們工作中也用不到那么大的數(shù)據(jù)。


正則表達式默認的重復規(guī)則是貪婪的，當你重復匹配一個 RE 時，匹配引擎會嘗試盡可能多的去匹配。直到 RE 不匹配或者到了結尾，匹配引擎就會回退一個字符，然后再繼續(xù)嘗試匹配。

我們通過例子一步步的給大家講解什么叫“貪婪”：先考慮一下表達式 a[bcd]*b，首先需要匹配字符 'a'，然后是零個到多個 [bcd]，最后以 'b' 結尾。那現(xiàn)在想象一下，這個 RE 匹配字符串 abcbd 會怎樣？

最終，RE 匹配的結果是 abcb。

小甲魚解釋：正則表達式默認的匹配規(guī)則是貪婪的，后邊有教你如何使用非貪婪的方法匹配。


另一個實現(xiàn)重復的元字符是 +，用于指定前一個字符匹配一次或者多次。

要特別注意 * 和 + 的區(qū)別：* 匹配的是零次或者多次，所以被重復的內(nèi)容可能壓根兒不會出現(xiàn)；+ 至少需要出現(xiàn)一次。例如 ca+t 會匹配 cat 和 caaat，但不會匹配 ct。


還有兩個表示重復的元字符，其中一個是問號 ?，用于指定前一個字符匹配零次或者一次。你可以這么想，它的作用就是把某種東西標志位可選的。例如 小?甲魚 可以匹配 小甲魚，也可以匹配 甲魚。


最靈活的應該是元字符 {m, n}（m 和 n 都是十進制整數(shù)），上邊講到的幾個元字符都可以使用它來表達，它的含義是前一個字符必須匹配 m 次到 n 次之間。例如 a/{1, 3}b 會匹配 a/b，a//b 和 a///b。但不會匹配 ab（沒有斜杠）；也不會匹配a////b（斜杠超過三個）。

你可以省略 m 或者 n，這樣的話，引擎會假定一個合理的值代替。省略 m，將被解釋為下限 0；省略 n 則會被解釋為無窮大（事實上是上邊我們提到的 20 億）。

小甲魚解釋：如果是 {, n} 相當于 {0, n}；如果是 {m, } 相當于 {m, +無窮}；如果是 {n}，則是重復前一個字符 n 次。


聰明的魚油應該已經(jīng)發(fā)現(xiàn)了，其實 *、+ 和 ? 都可以使用 {m, n} 來代替。{0,} 跟 * 是一樣的；{1, } 跟 + 是一樣的；{0, 1}跟 ? 是一樣的。不過還是鼓勵大家記住并使用 *、+ 和 ?，因為這些字符更短并且更容易閱讀。

小甲魚解釋：還有一個原因是匹配引擎對 * + ? 做了優(yōu)化，效率要更高些。