一文弄懂正则表达式

前言

如果说什么是我学习编程来最好用，最常用的知识点，那应该就是正则表达式了。严谨的说，正则表达式并不是一门编程语言，也不是为了一种编程语言而服务的知识。但他确实足够好用，应用也足够广泛。

例如可以在文本中提取规则的电话号码，电子邮箱。
在office中的通配符也是正则表达式哦，这样在office中做规则的搜索和替换，也是能极高的提升工作效率。

正则表达式在爬虫中也经常使用到，例如只需要简单的几行代码，就可以获取h1标签下的所有内容。

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

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

那正则表达式到底是什么，又该如何使用，为什么我们爬虫中老是使用(.*?)，它到底起到了什么作用，这篇文章就详细告诉你。

什么是正则表达式

正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），听起来确实不是很好理解。

我们从这个定义中抽出三个关键词：

• 字符串：这个定义了使用的对象，也就是文本。
• 匹配：定义了用途，用于查找定位。
• 模式：模式其实就是规则，这就是正则表达式的核心，这里的规则是人为定义好的，可以是字符，数字和字母。

所以用大白话来说，正则表达式就是一些人为定义的规则，进行组合，使其具有快速匹配字符串的功能。

元字符

前面说到正则表达式就是一些定义好的规则的组合，这个规则背后就是元字符。

元字符有很多，我们按用途将他们分为5类，便于理解和使用。

• 集合：[ ]
• 次数：表示次数：* + ? {}
• 并列：|
• 提取：()
• 特定意义符号：. ^ $ \b\B

本篇文章的实例都在该网站上在线验证：https://regex101.com/
（1）集合（[ ]）
[ ]表示匹配所包含的任意一个字符，例如[Pp]ython，就能匹配Python和python。

在集合中使用-，可以匹配一个范围内的字符，例如[a-z]可以匹配a到z任意一个字符。

使用 ^ 可以匹配补集，例如[^p]ython，就能匹配除了p之外的字符。

（2）次数字符
上面的正则表达式只能匹配一个字符，这时你就需要次数相关的字符。

• * 表示后面可跟 0 个或多个字符
• + 表示后面可跟 1 个或多个字符
• ? 表示后面可跟 0 个或 1 个字符
• {n,m}表示后面可跟n到m个字符

例如，匹配11个字符的电话号码。

这个使用方法很简单，大家多练习使用即可。但这里有一个很重要的知识点需要和大家讲解下。那就是贪婪模式和非贪婪模式。

以*为例，它可以匹配0个或多个字符，那到底是匹配多少个字符了？贪婪模式就是保证匹配成功的情况下，尽可能多的匹配，非贪婪模式则反之。默认情况下是贪婪模式，如果需要切换为非贪婪模式，就需要在*后面加上？号。

以<h1>test</h1>为例，如果我们使用<.*>，就会匹配到<h1>test</h1>（.是匹配除换行符之外的任何单个字符）。

如果使用<.*?>，就会匹配到<h1>和</h1>。

（3）并列（|）
并列字符很好理解，当需要匹配两个字符中的一个的时候，就用|。A|B，匹配到了A，就不会查找B。

这里就是匹配到的就是c或者是python。

（4）提取()
如果需要把匹配的字符串提取出来，就需要使用小括号。这主要使用在编程中，对数据的提取。正如前面的爬虫代码，用上括号后，就能将h1标签中的内容提取出来。

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 ?:，代表只匹配不获取（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>']

其实这里的?:是是非捕获元之一，还有两个非捕获元是 ?= 和 ?!，前者为正向预查，后者为负向预查。这两个又衍生出?<=和?<!。接下来我们就看看他们的具体使用方法吧。

A(?=B)，匹配符合B条件的A；(?<=B)A，匹配符合B条件的A。前者是匹配的是括号前面的，后者匹配的是后面的。

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

A(?!B)，匹配不符合B条件的A；(?<!B)A，匹配不符合B条件的A。前者是匹配的是括号前面的，后者匹配的是后面的。

（5）特定意义符号
就是说固定的写法来代表特定的意义，例如\d代表的就是匹配一个数字字符，等同于[0-9]。

以下就是常用的特定意义符号：

字符串	含义
^	匹配输入字符串的开始位置。
$	匹配输入字符串的结束位置。
.	匹配除换行符（\n、\r）之外的任何单个字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B	匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\d	匹配一个数字字符。等价于 [0-9]。
\D	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。
\n	匹配一个换行符
\r	匹配一个回车符。
\t	匹配一个制表符。
\v	匹配一个垂直制表符。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\w	匹配字母、数字、下划线。等价于'[A-Za-z0-9_]'。
\W	匹配非字母、数字、下划线。等价于 '[^A-Za-z0-9_]'。

\为转义字符，例如\*，就可以匹配*本身。

修饰符（可选标记）

学完前面的元字符后，就算是完成了大部分正则表达式的知识点了，也能独立使用正则表达式来完成日常工作了。之前的截图中，可以看到gm，他们其实是修饰符。

修饰符不写在正则表达式里，标记位于表达式之外，我们来看下他们代表的意义。

修饰符	含义	具体解释
i	ignore	匹配时不区分大写小
g	global	全局匹配，查找所有的匹配项。
m	multi line	多行匹配，使边界字符 ^ 和 $ 匹配每一行的开头和结尾。
s	特殊字符圆点 . 中包含换行符 \n	默认情况下的圆点 . 是 匹配除换行符 \n 之外的任何字符，加上 s 修饰符之后, . 中包含换行符 \n。

这期分享都到这了，下期我们讲正则表达式在日常工作中的使用案例。