Python正则表达式详解

1950 年，数学家斯蒂芬·科尔·克莱尼利用称之为“正则集合”的数学符号来描述此模型。肯·汤普逊将此符号系统引入编辑器 QED，随后是 UNIX 上的编辑器 ed，并最终引入 grep。自此以后，正则表达式被广泛地应用于各种 UNIX 或类 UNIX 系统的工具中。目前，许多程序设计语言都支持利用正则表达式进行字符串操作。

一个正则表达式通常被称为一个模式（pattern），是用来描述或者匹配一系列匹配某个句法规则的字符串。例如 Polish、Spanish 和 Swedish 这三个字符串，都可以由(Pol|Span|Swed)ish 这个模式来描述。

大部分正则表达式的形式都有如下的结构：

1) 选择

竖线|表示选择，具有最低优先级，例如 center|centre 可以匹配 center 或 centre。

2) 数量限定

字符后的数量限定符用来限定前面这个字符允许出现的个数。最常见的数量限定符包括“+”“？”和“*”（不加数量限定则代表出现一次且仅出现一次）：

• 加号+代表前面的字符必须至少出现一次（一次或多次），例如 goo+gle 可以匹配 google、gooogle、goooogle 等。
• 问号？代表前面的字符最多只可以出现一次（零次或一次），例如 colou?r 可以匹配 color 或者 colour。
• 星号*代表前面的字符可以不出现，也可以出现一次或者多次（零次、一次或多次），例如 0*42 可以匹配 42、042、0042、00042 等。

3) 匹配

成对的小括号( )用来定义操作符的范围和优先度，例如 gr(a|e)y 等效于 gray|grey,(grand)?father 匹配 father 和 grandfather。

正则表达式中除了上述的几种特殊字符外，还使用了一些特殊的方式表示匹配的模式，常用的特殊字符及含义如表 1 所示。

表 1 中这些特殊字符的优先级如表 2 所示。

在Python中可以通过 re 模块使用正则表达式，例如：

import re
str = '<span>abcd</span><span>abcdef</span> '
pattern ='<span>.*</span>'
p = re.compile(pattern)
match = re.search(p, str)
print(match.group(0))

上述代码的运行结果如下所示：

>>> import re
>>> str = '<span>abcd</span><span>abcdef</span> '
>>> pattern ='<span>.*</span>'
>>> p = re.compile(pattern)
>>> match = re.search(p, str)
>>> print(match.group(0))
<span>abcd</span><span>abcdef</span>

在正则表达式中使用“*”匹配字符串默认是匹配到串的结尾，即所谓的“贪婪模式”。如果只想匹配到第一个符合条件的子字符串就停止，需要切换为“非贪婪模式”，方法是在“*”之后使用“？”，例如：

import re
str = '<span>abcd</span><span>abcdef</span> '
pattern ='<span>.*?</span>'
p = re.compile(pattern)
match = re.search(p, str)
print(match.group(0))

上述代码的运行结果如下所示：

>>> import re
>>> str = '<span>abcd</span><span>abcdef</span> '
>>> pattern ='<span>.*?</span>'
>>> p = re.compile(pattern)
>>> match = re.search(p, str)
>>> print(match.group(0))
<span>abcd</span>

可见，“贪婪模式”在整个表达式匹配成功的前提下，尽可能多地匹配；而“非贪婪模式”在整个表达式匹配成功的前提下，尽可能少地匹配。“贪婪模式”与“非贪婪模式”影响的是被量词修饰的子表达式的匹配行为。

Python中正则表达式常用的方法如表 3 所示。