前言

作为一个合格程序员必备的基本技能之一，正则表达式是不言而喻的。但是为什么掌握起来这么难，甚至觉得用起来很难呢？本文将向您展示如何一次性使用Python正则表达式。

1.正则表达式的组成

在介绍如何使用Python的正则表达式时，我们需要知道正则表达式的各种功能以及它们是如何组成的。

正则表达式可以从非结构化文本中提取我们想要的内容，其本质是模式匹配，也是智能的初始手段。现在它已经广泛应用于自动化信息处理的过程中，从爬虫到人工智能，无处不在，而且它的需求量相当大。

说到写正则表达式，N中很多博客都提到了一个我之前用过的神奇网站http://www.txt2re.com/,如果你不懂正则表达式，又想偷懒自动生成，只需要在这个网站复制粘贴一个最复杂的情况，然后在视觉上点击组合你想要匹配的内容，自动生成你想要的正则表达式。

但是很遗憾，这个网站目前无法开通。这也告诉我们，核心技术掌握在自己手里是真的。现在我们来看看如何写正则表达式。下面是正则表达式使用。不同的语言有不同的实现方法。今天，我们主要关注三种正则表达式的匹配方法，使用python来获得我们想要的目标片段。对于其他方法，我们将在后面解释。

首先确定输入的一般格式。

在此输入的一般格式中找到您需要和不需要的内容。

通过正则表达式匹配。

提取临时结果，并将它们保存在我们需要的数据结构中。

2.使用python表示正则表达式过程。

如果我们使用python来正则化正则表达式，我们主要会经历几个步骤：

导入包

根据需要指定正则表达式。

编译自定义表达式。

根据其表情进行搭配。

输出结果

1、3、5都是比较容易的部分，最难的部分主要包括两个步骤，一是制定一个符合要求的正则表达式，二是如何匹配。最后，我们将简要介绍输出结果。

3.写正则表达式

写正则表达式是它的核心。如何写出符合我们想法的正确表达？这里我们介绍以下两个要构建的部分：

一个完整的词。

这一部分不是我们需要的，只是一些留在我们需要的中间的部分。照原样复制原文，不要添加多余的表格。

要匹配的零件

这部分让我们想要提取内容，而我们想要匹配的部分是通过正则表达式表达成两部分，一部分是我们匹配的字符，例如：

匹配字母数字和下划线

w匹配非字母数字和下划线

s匹配任何空白字符，相当于[tnrf]。

匹配任何非空字符。

d匹配任何数字，相当于[0-9]。

匹配任何非数字的数字

匹配字符串开始

z匹配字符串的结尾。如果有换行符，则只匹配换行符之前的结束字符串。

z匹配字符串的结尾

g匹配上一次匹配完成的位置。

b匹配单词边界，即单词和空格之间的位置。例如，“erb”可以与“never”中的“er”匹配，但不能与“verb”中的“er”匹配。

b匹配非单词边界。“erb”可以和“动词”中的“er”搭配，但不能和“never”中的“er”搭配。

n、t等。匹配换行符。匹配标签。等待

一.9匹配第n个数据包的内容。

10匹配第n个数据包的内容，如果匹配的话。否则，指八进制字符代码的表达。

另一个是匹配模式，它决定了我们如何匹配：

匹配字符串的开头

$匹配字符串的结尾。匹配除换行符以外的任何字符。指定了DOTALL标志，包括换行符在内的任何字符都可以匹配。

[…]用于表示一组单独列出的字符：【amk】匹配“a”、“m”或“k”

[……]不在[]中的字符：[a，B，c]匹配除A，B和c以外的字符

Re*匹配0个或更多表达式。

Re匹配一个或多个表达式。

re？匹配前一个正则表达式定义的0或1个片段，非贪婪方式。

Re{ n}与前n个表达式完全匹配。例如，o{2}不能匹配“Bob”中的“o”，但可以匹配“food”中的两个o。

Re{ n，}匹配n个以前的表达式。例如，o{2，}不能匹配“Bob”中的“O”，但它可以匹配“foooood”中的所有O“O { 1，}”相当于“O”。o{0，}”相当于“o*”。

Re{ n，m}匹配由前面的正则表达式定义的段n到m次，贪婪的方式。

A| b匹配a或b

(重新)将正则表达式分组，记住匹配的文本。

(?Imx)正则表达式包含三个可选标志：I、m或x。只有括号中的区域会受到影响。

(?-imx)正则表达式关闭I、m或x可选标志。只有括号中的区域受到影响。

(? re)类似于(…)，但不代表一个组。

(?Imx:)在括号中重新使用I、m或X可选标志。

(?-imx: re)不要在括号中使用I、m或X可选标志。

(?#……)注释

. (?= re) 前向肯定界定符。如果所含正则表达式，以 … 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。 (?! re) 前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功 (?> re) 匹配的独立模式，省去回溯。

两者搭配即可完成我们想要的结果，虽然这里列举了很多，但是我们常用的就那几个，正则表达式的简单划分将正则表达式划分为元字符、反义、量词和懒惰限定词。我会在后面的部分给出一个实例。当我们的正则表达式撰写完毕后，我们使用下面的函数获得我们的匹配模板。

re.compile(pattern[, flags])

4. 匹配的方式

正则表达式匹配的方式主要有3种match, search和findall。如果你懂英语的话，就知道它们的区别，这里前两个都是单一匹配，只会匹配一个流程，如果有多个符合匹配规则的，它们只会返回第一个结果，而findall会把所有符合候选的都匹配出来。而前两个的区别就是match必须是开头就要能够匹配，也就是和startwith差不多的效果，而search则可以在任意位置进行匹配。

下面看一下三个方法的参数表示，其中pattern为我们制定的正则表达式，string为我们要匹配的字符串，flags表示匹配模式：

re.match(pattern, string, flags=0)
re.search(pattern, string, flags=0)
findall(string[, pos[, endpos]])

因此我们选择方式时有以下几个步骤：

是否需要匹配多个？是，选择findall

是否需要从头匹配？是，选择match

一般情况使用search

5. 匹配结果展示

匹配结果展示主要有以下四个部分组成:

group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
span([group]) 方法返回 (start(group), end(group))。

例如下面这个例子，主要表现了我们如何调用这四个部分。
>>>import re
>>> pattern = re.compile(r'd+')                    # 用于匹配至少一个数字
>>> m = pattern.match('one12twothree34four')        # 查找头部，没有匹配
>>> print m
None
>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
>>> print m
None
>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
>>> print m                                         # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0)   # 可省略 0
'12'
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)

6. 举一个简单的例子

一个更好的，更直观易懂的方法是如下这个例子，相比较刚才使用数字索引，它将每一个匹配内容语义化，使得代码更加容易理解。
contactInfo = '  ( Nucleus (span 2 3) (rel2par span)'
pattern=re.compile(r'(?P<nuclearity>w+) (span (?P<start>w+) (?P<end>w+)) (rel2par (?P<relation>w+))')
match = pattern.search(contactInfo)
print(match.group())  # Nucleus (span 2 3) (rel2par span)
print(match.group("nuclearity"))  # Nucleus 
print(match.group("start"))  # 2
print(match.group("end"))  # 3
print(match.group("relation"))  # span

从上述的例子中我们就可以获得最直观的结果，我们只需要将这些结果存入到我们需要的数据结构中即可。

7. 其他一些补充知识

7.1 匹配常用的一些格式

如果我们只需要匹配一些常用的格式，如姓名、身份证、邮箱、电话号码等，都是有现成的工具直接生成，不需要我们进行再次编写。

7.2 匹配中文字符

如果你只是想匹配若干个中文汉字，使用下面的正则表达式：

[u4E00-u9FA5s]+ 多个汉字，包括空格
[u4E00-u9FA5]+ 多个汉字，不包括空格
[u4E00-u9FA5] 一个汉字

这里还有匹配更全的中文字的方法。

提到用正则表达式匹配汉字，很容易搜到这个[u4e00-u9fa5]，但是它不算全面，不包含一些生僻汉字。

本文对此问题做一个梳理。

以下是比较全面的汉字Unicode分布，参考Unicode 10.0标准（2017年6月发布）：

如果想表示最普遍的汉字，用：

[u4E00-u9FFF] 或 [一-?]

共有20950个汉字，包括了常用简体字和繁体字，镕等字。

基本就是GBK的所有（21003个）汉字。也包括了BIG5的所有（13053个）繁体汉字。

一般情况下这个就够用了。

说明：

仅仅未包括出现在GBK里的CJK兼容汉字的21个汉字：郎凉秊裏隣兀嗀﨎﨏﨑﨓﨔礼﨟蘒﨡﨣﨤﨧﨨﨩

CJK兼容汉字用于转码处理，日常中是用不到的，所以不包括也没什么问题。

注意此凉非彼凉，兀也不是常用的那个，虽然用眼睛看是一样的，参见
http://www.zhihu.com/question/20697984

如果想表示BMP之内的汉字，也就是Unicode值<=0xFFFF之内的所有汉字，用：

[u4E00-u9FFFu3400-u4DBFuF900-uFAFF]

这个包含但不限于GBK定义的汉字，共有28025个汉字。

说明：

和上面相比，主要是多了CJK统一汉字扩展A区，这是1999年收录到Unicode 3.0标准里的6,582个汉字。

CJK统一汉字扩展A区，包括了东亚各地区（陆港台日韩新越）的汉字，有很多康熙字典的繁体字。

如果想尽可能表示所有的汉字，用：

[u4E00-u9FFFu3400-u4DBFuF900-uFAFFU00020000-U0002EBEF]

这个包含上表的所有88342个汉字

说明：

1, 以上正则表达式不会匹配（英文、汉字的）标点符号，不会匹配韩国拼音字、日本假名。

2, 会匹配一些日本、韩国独有的汉字。

3, 包含了一些没有汉字的空位置，这通常不碍事。

4, u及U的正则语法在Python 3.5上测试通过。

有些正则表达式引擎不认uFFFF和UFFFFFFFF这样的语法，可以换成x{FFFF}试一下；有些不支持BMP之外的范围，这就没办法处理CJK统一汉字扩展B~E区了，如notepad++。

7.3 匹配一些特殊符号

正则表达式的各种括号的用处以及如何进行括号的匹配。

匹配小括号中的内容

import re
string = 'shain(love)fufu)'
p1 = re.compile(r'[(](.*?)[)]', re.S) #最小匹配
p2 = re.compile(r'[(](.*)[)]', re.S)  #贪婪匹配
print(re.findall(p1, string))
print(re.findall(p2, string))

输出：

[‘love’]

[‘love)fufu’]

匹配中括号中的内容

import re
string = 'shain[胖妮shain和傻夫夫fufu]fufu)'
p =r'[[][Ww]+[]]'
print(re.findall(p, string))

输出：

[’[胖妮shain和傻夫夫fufu]’]

匹配大括号中的内容

import re
string = "shain,fsf{傻夫夫,grr},胖妮{fsf,1201}"
p = re.findall(r'({.*?})', string)
print(p)

输出：

[’{傻夫夫,grr}’, ‘{fsf,1201}’]