正则表达式梳理（基于python）

正则表达式（regular expression）是一种针对字符串匹配查找所定义的规则模式，独立于语言，但不同语言在实现上也会存在一些细微差别，下面基于python对常用的相关内容进行梳理。

一、通用常识

1.通配符

.：匹配任意字符。（换行符除外）
\w：匹配字母、数字、下划线。（也可以写为[a-zA-Z0-9_]）
\d：匹配阿拉伯数字（[0-9]）。
\s：匹配空白字符。（空格、制表符、换行符等）
[ ]：匹配列表中任意字符。（所有特殊字符在列表中都会按照字面量对待，不需要特殊转义）

ps.反义

\W：匹配非字母、数字、下划线外的字符。
\D：匹配非阿拉伯数字。
\S：匹配非空白字符。
[^ ]：不匹配列表中任意字符。

2.量词

?：0次或1次。
+：1次或多次。
*：0次或多次。
{m}：精确匹配m次。
{m,n}：匹配m~n次。
{m,}：至少匹配m次。

ps.非贪婪匹配

贪婪匹配：满足正则的情况下尽可能多的匹配。
非贪婪匹配：满足正则的情况下尽可能少的匹配。

默认正则中都是贪婪匹配，需要非贪婪匹配时需要在量词后面加个?。

3.位置限定符

^：限制起始字符。
$：限制结尾字符。

4.其他特殊符号

|：逻辑或，匹配逻辑或中的任意一个。
\：转义字符，通常对\本身进行转义。

二、python实现

python中实现正则的标准库是re，下面主要介绍该模块中常用的一些方法及作用。

1.常用函数

1）search

匹配目标字符串第一个出现的符合正则的子串，匹配成功返回Match对象，匹配失败返回None。

返回的Match对象可通过group方法获取指定捕获组()的内容，无论正则中有没有指定捕获组，默认的捕获组都是0，即整个符合正则的子串。

当在正则中显式指定捕获组时，捕获组索引号按照在正则中从左到右的顺序自1开始递增。

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.search(r'(\d+路)(\d+号)(\d+楼)', '北京市昌平区1路2号3楼')
print(match.group())
print(match.group(1))
print(match.group(2))
print(match.group(3))

# 1路2号3楼
# 1路
# 2号
# 3楼

当出现捕获组嵌套的情况时，同样是按照在正则中从左往右出现的顺序解析对应，只不过是递归解析，类似于树的先序遍历。

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.search(r'((\d+路)(\d+号))(\d+楼)', '北京市昌平区1路2号3楼')
print(match.group())
print(match.group(1))
print(match.group(2))
print(match.group(3))
print(match.group(4))

# 1路2号3楼
# 1路2号
# 1路
# 2号
# 3楼

2）match

match方法和search用法及返回的对象都一致，唯一的区别是search的目标子串可以出现在字符串中的任何位置，而match是从开头开始匹配，目标子串必须在字符串开头出现。

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.match(r'((\d+路)(\d+号))(\d+楼)', '北京市昌平区1路2号3楼')
if match:
    print(match.group())
    print(match.group(1))
    print(match.group(2))
    print(match.group(3))
    print(match.group(4))
else:
    print('None')

# None

在正则前面加个.*适配就可以成功匹配了：

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.match(r'.*((\d+路)(\d+号))(\d+楼)', '北京市昌平区1路2号3楼')
if match:
    print(match.group())
    print(match.group(1))
    print(match.group(2))
    print(match.group(3))
    print(match.group(4))
else:
    print('None')

# 北京市昌平区1路2号3楼
# 1路2号
# 1路
# 2号
# 3楼

3）findall

顾名思义，找出字符串中所有匹配正则的子串。无论有无匹配返回的结果都是一个列表。

当正则中无捕获组或者仅有一个捕获组时，返回的是包含单个元素的列表，每个元素都是一个匹配项。

无捕获组返回的是匹配整个正则的子串，1个捕获组返回的是匹配捕获组的子串。

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

ans1 = re.findall(r'\d+路\d+号\d+楼', '北京市昌平区1路2号3楼')
print(ans1)

ans2 = re.findall(r'(\d+路)\d+号\d+楼', '北京市昌平区1路2号3楼')
print(ans2)

# ['1路2号3楼']
# ['1路']

当正则中包含多个捕获组时，返回包含元组的列表，每个元组是一个正则匹配项，元组中的元素对应了每个匹配项中捕获组的匹配内容，无匹配时用空字符串''代替。

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

ans1 = re.findall(r'((\d+路)(\d+号))(\d+楼)', '北京市昌平区1路2号3楼')
print(ans1)

ans2 = re.findall(r'((\d+路)?(\d+号))(\d+楼)', '北京市昌平区2号3楼')
print(ans2)

# [('1路2号', '1路', '2号', '3楼')]
# [('2号', '', '2号', '3楼')]

ps：特别注意正则中包含逻辑或|时，无论匹配的是哪个逻辑分支，其余的逻辑分支中的捕获组都会在元组中用空字符串''表示。

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

ans = re.findall(r'B(\d+)层([A-Z]+)区|地下([一二三四五六七八九]+)层([A-Z]+)区',
                 '停车场B2层C区;停车场地下一层B区')
print(ans)

# [('2', 'C', '', ''), ('', '', '一', 'B')]

2.特殊用法

1） (?:...) 非捕获组

仅匹配，不捕获。通常用于目标需要提取的捕获组前的限制规则比较复杂，需要用到()的场景。

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

ans = re.findall(r'(?:B|地下)[1-9一二三四五六七八九]+层([A-Z]+区)',
                 '停车场B2层C区;停车场地下一层B区')
print(ans)

# ['C区', 'B区']

2）(?=...)正向先行断言

这里的正向先行的意思是，右侧必须出现可以匹配括号中...的字符，这种方式在实际匹配过程中只会预先查找，不会实际消耗字符串。

比如从下面的日期中提取月份：

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.search(r'\d+(?=月)', '今天是2025年3月5日')
if match:
    print(match)

# <re.Match object; span=(8, 9), match='3'>

3）(?!...)负向先行断言

负向先行：右边不能出现匹配括号中...的字符。

提取日期号，不提取年和月份：

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.search(r'\d+(?![年月0-9])', '今天是2025年3月5日')
if match:
    print(match)

# <re.Match object; span=(10, 11), match='5'>

4）(?<=...)正向后行断言

正向后行：左边必须出现匹配括号中...的字符。

只提取折扣价：

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.search(r'(?<=折扣价)\d+', '原价100;折扣价80;实付价70')
if match:
    print(match)

# <re.Match object; span=(9, 11), match='80'>

5）(?<=...)负向后行断言

负向后行：左边不能出现匹配括号中...的字符。

只提取原价：

#!/usr/bin/env python3
# -*-coding:utf-8 -*-

import re

match = re.search(r'(?<!(折扣价|实付价))\d+', '原价100;折扣价80;实付价70')
if match:
    print(match)

# <re.Match object; span=(2, 5), match='100'>

ps1.理解 先行/后行 & 正向/负向

​先行断言​：检查匹配位置的 ​右侧​ 是否符合条件。
​后行断言：检查匹配位置的 ​左侧​ 是否符合条件。

个人觉得，先行/后行 可以理解成目标匹配子串相对于限定字符的 左边/右边。

​正向​：匹配 ​存在​ 某个条件。
​负向​：匹配 ​不存在​ 某个条件。

ps2.后行断言时，限定字符的长度必须固定

内置文档中提示先行断言限定字符长度无特殊限制，后行断言限定字符长度必须固定。

原因是正则引擎的默认匹配方向是从左到右，当遇到先行断言时，引擎会临时向右扫描，检查后续字符是否符合断言条件。由于匹配方向与引擎的默认方向一致，变长模式不会导致回溯问题。

而后行断言时正则引擎需要反向检查左侧的字符，而反向匹配需要明确的起始位置。如果后行断言是变长模式（如.*、a+），引擎无法确定从哪个位置开始检查，导致性能下降或无法实现。