Python3-如何优雅地使用正则表达式

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：特殊字符含义\d匹配任何十进制数字；相当于类[0-9]\D与\d相反，匹配任何非十进制数字的字符；相当于类[^0-9]\s匹配任何空白字符（包含空格、换行符、制表符等）；相当于类[\t\n\r\f\v]\S与\s相反，匹配任何非空白字符；相当于类[^\t\n\r\f\v]\w匹配任何字符，见上方解释\W于\w相反\b匹配单词的开始或结束\B与\b相反它们可以包含在一个字符类中，并且一样拥有特殊含义。例如[\s,.]是一个字符类，它将匹配任何空白字符（/s的特殊含义），','或'.'。最后我们要讲的一个元字符是.，它匹配除了换行符以外的任何字符。如果设置了re.DOTALL标志，.将匹配包括换行符在内的任何字符。重复的事情使用正则表达式能够轻松的匹配不同的字符集合，但Python字符串现有的方法却无法实现。然而，如果你认为这是正则表达式的唯一优势，那你就tooyoungtoonative了。正则表达式有另一个强大的功能，就是你可以指定RE部分被重复的次数。我们来看看*这个元字符，当然它不是匹配'*'字符本身（我们说过元字符都是有特殊能力的），它用于指定前一个字符匹配零次或者多次。例如ca*t将匹配ct（0个字符a），cat（1个字符a），caaat（3个字符a），等等。需要注意的是，由于受到C语言的int类型大小的内部限制，正则表达式引擎会限制字符'a'的重复个数不超过20亿个；不过，通常我们工作中也用不到那么大的数据。正则表达式默认的重复规则是贪婪的，当你重复匹配一个RE时，匹配引擎会尝试尽可能多的去匹配。直到RE不匹配或者到了结尾，匹配引擎就会回退一个字符，然后再继续尝试匹配。我们通过例子一步步的给大家讲解什么叫“贪婪”：先考虑一下表达式a[bcd]*b，首先需要匹配字符'a'，然后是零个到多个[bcd]，最后以'b'结尾。那现在想象一下，这个RE匹配字符串abcbd会怎样？步骤匹配说明1a匹配RE的第一个字符'a'2abcbd引擎在符合规则的情况下尽可能地匹配[bcd]*，直到该字符串的结尾3失败引擎尝试匹配RE最后一个字符'b'，但当前位置已经是字符串的结尾，所以失败告终4abcb回退，所以[bcd]*匹配少一个字符5失败再一次尝试匹配RE最后一个字符'b'，但字符串最后一个字符是'd'，所以失败告终6abc再次回退，所以[bcd]*这次只匹配'bc'7abcb再一次尝试匹配字符'b'，这一次字符串当前位置指向的字符正好是'b'，匹配成功最终，RE匹配的结果是abcb。小甲鱼解释：正则表达式默认的匹配规则是贪婪的，后边有教你如何使用非贪婪的方法匹配。另一个实现重复的元字符是+，用于指定前一个字符匹配一次或者多次。要特别注意*和+的区别：*匹配的是零次或者多次，所以被重复的内容可能压根儿不会出现；+至少需要出现一次。例如ca+t会匹配cat和caaat，但不会匹配ct。还有两个表示重复的元字符，其中一个是问号?，用于指定前一个字符匹配零次或者一次。你可以这么想，它的作用就是把某种东西标志位可选的。例如小?甲鱼可以匹配小甲鱼，也可以匹配甲鱼。最灵活的应该是元字符{m,n}（m和n都是十进制整数），上边讲到的几个元字符都可以使用它来表达，它的含义是前一个字符必须匹配m次到n次之间。例如a/{1,3}b会匹配a/b，a//b和a///b。但不会匹配ab（没有斜杠）；也不会匹配a////b（斜杠超过三个）。你可以省略m或者n，这样的话，引擎会假定一个合理的值代替。省略m，将被解释为下限0；省略n则会被解释为无穷大（事实上是上边我们提到的20亿）。小甲鱼解释：如果是{,n}相当于{0,n}；如果是{m,}相当于{m,+无穷}；如果是{n}，则是重复前一个字符n次。聪明的鱼油应该已经发现了，其实*、+和?都可以使用{m,n}来代替。{0,}跟*是一样的；{1,}跟+是一样的；{0,1}跟?是一样的。不过还是鼓励大家记住并使用*、+和?，因为这些字符更短并且更容易阅读。小甲鱼解释：还有一个原因是匹配引擎对*+?做了优化，效率要更高些。