一文弄懂正則表達式

前言

如果說什麼是我學習編程來最好用，最常用的知識點，那應該就是正則表達式了。嚴謹的說，正則表達式並不是一門編程語言，也不是爲了一種編程語言而服務的知識。但他確實足夠好用，應用也足夠廣泛。

例如可以在文本中提取規則的電話號碼，電子郵箱。
在office中的通配符也是正則表達式哦，這樣在office中做規則的搜索和替換，也是能極高的提升工作效率。

正則表達式在爬蟲中也經常使用到，例如只需要簡單的幾行代碼，就可以獲取h1標籤下的所有內容。

import re
html = '''
<h1> test1 </h1>
<h1> test2 </h1>
<h1> test3 </h1>
'''
content = re.findall('<h1>(.*?)</h1>', html)
print(content)

#result [' test1 ', ' test2 ', ' test3 ']

那正則表達式到底是什麼，又該如何使用，爲什麼我們爬蟲中老是使用(.*?)，它到底起到了什麼作用，這篇文章就詳細告訴你。

什麼是正則表達式

正則表達式(regular expression)描述了一種字符串匹配的模式（pattern），聽起來確實不是很好理解。

我們從這個定義中抽出三個關鍵詞：

• 字符串：這個定義了使用的對象，也就是文本。
• 匹配：定義了用途，用於查找定位。
• 模式：模式其實就是規則，這就是正則表達式的核心，這裏的規則是人爲定義好的，可以是字符，數字和字母。

所以用大白話來說，正則表達式就是一些人爲定義的規則，進行組合，使其具有快速匹配字符串的功能。

元字符

前面說到正則表達式就是一些定義好的規則的組合，這個規則背後就是元字符。

元字符有很多，我們按用途將他們分爲5類，便於理解和使用。

• 集合：[ ]
• 次數：表示次數：* + ? {}
• 並列：|
• 提取：()
• 特定意義符號：. ^ $ \b\B

本篇文章的實例都在該網站上在線驗證：https://regex101.com/
（1）集合（[ ]）
[ ]表示匹配所包含的任意一個字符，例如[Pp]ython，就能匹配Python和python。

在集合中使用-，可以匹配一個範圍內的字符，例如[a-z]可以匹配a到z任意一個字符。

使用 ^ 可以匹配補集，例如[^p]ython，就能匹配除了p之外的字符。

（2）次數字符
上面的正則表達式只能匹配一個字符，這時你就需要次數相關的字符。

• * 表示後面可跟 0 個或多個字符
• + 表示後面可跟 1 個或多個字符
• ? 表示後面可跟 0 個或 1 個字符
• {n,m}表示後面可跟n到m個字符

例如，匹配11個字符的電話號碼。

這個使用方法很簡單，大家多練習使用即可。但這裏有一個很重要的知識點需要和大家講解下。那就是貪婪模式和非貪婪模式。

以*爲例，它可以匹配0個或多個字符，那到底是匹配多少個字符了？貪婪模式就是保證匹配成功的情況下，儘可能多的匹配，非貪婪模式則反之。默認情況下是貪婪模式，如果需要切換爲非貪婪模式，就需要在*後面加上？號。

以<h1>test</h1>爲例，如果我們使用<.*>，就會匹配到<h1>test</h1>（.是匹配除換行符之外的任何單個字符）。

如果使用<.*?>，就會匹配到<h1>和</h1>。

（3）並列（|）
並列字符很好理解，當需要匹配兩個字符中的一個的時候，就用|。A|B，匹配到了A，就不會查找B。

這裏就是匹配到的就是c或者是python。

（4）提取()
如果需要把匹配的字符串提取出來，就需要使用小括號。這主要使用在編程中，對數據的提取。正如前面的爬蟲代碼，用上括號後，就能將h1標籤中的內容提取出來。

import re
html = '''
<h1> test1 </h1>
<h1> test2 </h1>
<h1> test3 </h1>
'''
content = re.findall('<h1>(.*?)</h1>', html)
print(content)

#result [' test1 ', ' test2 ', ' test3 ']

在 () 中最前面加入 ?:，代表只匹配不獲取（non-capturing）。

import re
html = '''
<h1> test1 </h1>
<h1> test2 </h1>
<h1> test3 </h1>
'''
content = re.findall('<h1>(?:.*?)</h1>', html)
print(content)

#result ['<h1> test1 </h1>', '<h1> test2 </h1>', '<h1> test3 </h1>']

其實這裏的?:是是非捕獲元之一，還有兩個非捕獲元是 ?= 和 ?!，前者爲正向預查，後者爲負向預查。這兩個又衍生出?<=和?<!。接下來我們就看看他們的具體使用方法吧。

A(?=B)，匹配符合B條件的A；(?<=B)A，匹配符合B條件的A。前者是匹配的是括號前面的，後者匹配的是後面的。

windows(?=7|xp|2000|10)，能匹配windows7，windowsxp，windows2000，windows10前的windows。

A(?!B)，匹配不符合B條件的A；(?<!B)A，匹配不符合B條件的A。前者是匹配的是括號前面的，後者匹配的是後面的。

（5）特定意義符號
就是說固定的寫法來代表特定的意義，例如\d代表的就是匹配一個數字字符，等同於[0-9]。

以下就是常用的特定意義符號：

字符串	含義
^	匹配輸入字符串的開始位置。
$	匹配輸入字符串的結束位置。
.	匹配除換行符（\n、\r）之外的任何單個字符。
\b	匹配一個單詞邊界，也就是指單詞和空格間的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B	匹配非單詞邊界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\d	匹配一個數字字符。等價於 [0-9]。
\D	匹配一個非數字字符。等價於 [^0-9]。
\f	匹配一個換頁符。
\n	匹配一個換行符
\r	匹配一個回車符。
\t	匹配一個製表符。
\v	匹配一個垂直製表符。
\s	匹配任何空白字符，包括空格、製表符、換頁符等等。等價於 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等價於 [^ \f\n\r\t\v]。
\w	匹配字母、數字、下劃線。等價於'[A-Za-z0-9_]'。
\W	匹配非字母、數字、下劃線。等價於 '[^A-Za-z0-9_]'。

\爲轉義字符，例如\*，就可以匹配*本身。

修飾符（可選標記）

學完前面的元字符後，就算是完成了大部分正則表達式的知識點了，也能獨立使用正則表達式來完成日常工作了。之前的截圖中，可以看到gm，他們其實是修飾符。

修飾符不寫在正則表達式裏，標記位於表達式之外，我們來看下他們代表的意義。

修飾符	含義	具體解釋
i	ignore	匹配時不區分大寫小
g	global	全局匹配，查找所有的匹配項。
m	multi line	多行匹配，使邊界字符 ^ 和 $ 匹配每一行的開頭和結尾。
s	特殊字符圓點 . 中包含換行符 \n	默認情況下的圓點 . 是 匹配除換行符 \n 之外的任何字符，加上 s 修飾符之後, . 中包含換行符 \n。

這期分享都到這了，下期我們講正則表達式在日常工作中的使用案例。