正则表达式基础知识
作者:尹正杰
版权声明:原创作品,谢绝转载!否则将追究法律责任。
使用正则表达式时,能用简单表达式,就不要用复杂的表达式。因为越复杂的正则表达式效率反而不高且易读性极差。
一.概述
正则表达式,Regular Expression,缩写为regex、regexp、RE等。 正则表达式是文本处理极为重要的技术,用它可以对字符串按照某种规则进行检索、替换。
1970年代,Unix之父Ken Thompson将正则表达式引入到Unix中文本编辑器ed和grep命令中,由此正则表达式普 及开来。
1980年后,perl语言对Henry Spencer编写的库,扩展了很多新的特性。1997年开始,Philip Hazel开发出了PCRE (Perl Compatible Regular Expressions),它被PHP和HTTPD等工具采用。
正则表达式应用极其广泛,shell中处理文本的命令、各种高级编程语言都支持正则表达式。
博主推荐阅读: https://www.w3cschool.cn/regex_rmjc/
二.分类
BRE
基本正则表达式,grep、sed、vi等软件支持。vim有扩展。
ERE 扩展正则表达式,egrep(grep -E)、sed -r等。
PCRE
几乎所有高级语言都是PCRE的方言或者变种。Python从1.6开始使用SRE正则表达式引擎,可以认为是PCRE 的子集,见模块re。
三.基本语法
1>.元字符(metacharacter)
.
匹配除换行符外任意一个字符。 [abc] 字符集合,只能表示一个字符位置。匹配除去集合内字符的任意一个字符。 [^abc]
字符集合,只能表示一个字符位置。匹配除去集合内字符的任意一个字符。
[a-z]
字符范围,也是集合,表示一个字符位置匹配所包含的字符。类似的还有[A-Z],[0-9]。
[^a-z]
字符范围,也是个集合,表示一个字符位置匹配除去集合内字符的任意一个字符。
匹配单词的边界。
B
不匹配单词的边界。
d
[0-9]匹配1位数字。
D
[^0-9]匹配1位数字。
s
匹配1位空白字符,包括换行符,制表符,空格。例如:[f v]
S
匹配1位非空白字符。
w
匹配[a-zA-Z0-9_],包括中文的字。
W
匹配w之外的字符。
2>.转义
凡是在正则表达式中有特殊意义的符号,如果想使用它的本意,请使用转义。 反斜杠自身,得使用\
、
还是转义后代表回车、换行
3>.重复
*
表示前面的正则表达式会重复0次或多次。 + 表示前面的正则表达式至少重复1次。
? 表示前面的正则表达式会重复出现0次活1次。
{n} 重复固定的n次。
{n,} 重复至少n次。
{n,m}
重复n到m次。
4>.或
x|y
匹配x或者y。
5>.捕获
(pattern)
使用小括号指定一个子表达式,也叫分组捕获后会自动分配组号从1开始可以改变优先级。
数字
匹配对应的分组。
(?:pattern)
如果仅仅为了改变优先级,就不需要捕获分组。
(?<name>exp)或(?'name'exp)
命名分组捕获,但是可以通过name访问分组。Python的re标准库愈发必须是(?P<name>exp)。
6>.零宽断言
(?=exp)
零宽度正预测先行断言,断言exp一定在匹配配的右边出现,也就是说断言后面一定跟个exp。
(?<=exp)
零宽度正回顾后发断言,断言exp一定出现在匹配的左边出现,也就是说前面一定有个exp前缀。
7>.负向零宽断言
(?!exp)
零宽度负预测先行断言,断言exp一定不会出现在右侧,也就是说断言后面一定不是exp。 (?<!exp)
零宽度负回顾后发断言,断言exp一定不能出现在左侧,也就是说断言前面一定不能是exp。
8>.注释
(?#comment)
注释,比如f(?=oo)(?#这个后断言不捕获)
9>.贪婪与非贪婪(默认就是贪婪模式,也就是说尽量多匹配匹配更长的字符串。)
*?
匹配任意次,但尽量可能少重复。
+?
匹配自少一次,但尽可能少重复。
??
匹配0次或1次,但尽可能少重复。
{n,}?
匹配至少n次,但尽可能少重复。
{n,m}?
匹配至少n次,至多m次,但尽可能少重复。
10>.引擎选项
IgnoreCase
匹配时忽略大小写。
Singleline
单行模式,可以匹配所有字符,包括 。
需要注意的是,在单行模式中,"."可以匹配所有字符,包括换行符。"^"表示整个字符串的开头,“$”整个字符串的结尾。
Multiline
多行模式,^行首,$行尾。
需要注意的是,在多行模式中,"."可以匹配除了换行符之外的字符,多行不影响“.”点号。"^"表示行首,“¥”表示行尾,只不过这里的行是每一行。
IgnorePatternWhitespace
忽略表达式中的空白字符,如果要使用空白字符用转义,#可以用来做注释。
11>.单行模式和多行模式注意事项
单行模式: . 可以匹配所有字符,包括换行符 ^ 表示整个字符串的开头,$整个字符串的结尾 多行模式: . 可以匹配除了换行符之外的字符,多行不影响.点号 ^ 表示行首,$行尾,只不过这里的行是每一个行 默认模式: 可以看做待匹配的文本是一行,不能看做多行,.点号不能匹配换行符,^和$表示行首和行尾,而行首行尾就 是整个字符串的开头和结尾 单行模式: 基本和默认模式一样,只是.点号终于可以匹配任意一个字符包括换行符,这时所有文本就是一个长长的只有 一行的字符串。^就是这一行字符串的行首,$就是这一行的行尾。 多行模式: 重新定义了行的概念,但不影响.点号的行为,^和$还是行首行尾的意思,只不过因为多行模式可以识别换行 符了。"开始"指的是 后紧接着下一个字符;"结束"指的是 前的字符,注意最后一行结尾可以没有 简单讲,单行模式只影响.点号行为,多行模式重新定义行影响了^和$ 注意:注意字符串中看不见的换行符, 会影响e$的测试,e$只能匹配e 举例: very very happy
harry key 上面2行happy之后,有可能是 结尾。 y$ 单行匹配key的y,多行匹配happy和key的y。
.$指的是此行的结尾,而默认模式和单行模式都是一行,指的是这个大字符串的最后一个字符,就是key的y。