【原】深入理解Python正则表达式：解析、匹配和高级技巧

正则表达式是一种强大的文本处理工具，它允许你在文本中搜索、匹配和处理模式。Python中的re模块提供了对正则表达式的支持，本文将深入探讨Python正则表达式的工作原理、基本用法、高级技巧以及实际应用，帮助你更好地掌握这一强大的工具。

1. 正则表达式简介

正则表达式（Regular Expression，简称Regex或RegExp）是一种用于文本匹配和搜索的强大工具，它由字符和特殊字符组成，用于描述文本模式。正则表达式可以用于以下任务：

• 文本搜索与匹配
• 字符串替换
• 输入验证
• 数据提取
• 文本处理和解析

Python中的re模块提供了正则表达式的支持，允许你创建、编译和使用正则表达式来完成上述任务。

2. 正则表达式基础

2.1 字符匹配

正则表达式中的普通字符（如字母、数字、符号）会按照字面意义进行匹配。

import re

pattern = "apple"
text = "I like apples."
match = re.search(pattern, text)

if match:
    print("匹配成功")
else:
    print("匹配失败")

2.2 特殊字符

正则表达式中有一些特殊字符具有特殊含义，如.、*、+、?等。

• .：匹配任意字符（除了换行符）。
• *：匹配前一个字符0次或多次。
• +：匹配前一个字符1次或多次。
• ?：匹配前一个字符0次或1次。

pattern = "a.*b"  # 匹配以a开始，以b结束的任意字符序列
text = "aabb"
match = re.search(pattern, text)

if match:
    print("匹配成功")
else:
    print("匹配失败")

3. 正则表达式的元字符

元字符是正则表达式中具有特殊含义的字符，它们包括：

• ^：匹配字符串的开头。
• $：匹配字符串的结尾。
• []：匹配括号中的任意一个字符。
• |：或操作，匹配两者之一。
• ()：捕获分组，将匹配的内容保存到变量中。

pattern = r"^[A-Za-z]+$"  # 匹配由字母组成的字符串
text = "HelloWorld"
match = re.search(pattern, text)

if match:
    print("匹配成功")
else:
    print("匹配失败")

4. 正则表达式的预定义字符类

正则表达式提供了一些预定义字符类，用于匹配常见字符集合。

• \d：匹配数字字符。
• \D：匹配非数字字符。
• \w：匹配单词字符（字母、数字、下划线）。
• \W：匹配非单词字符。
• \s：匹配空白字符（空格、制表符、换行符等）。
• \S：匹配非空白字符。

pattern = r"\d{2}-\d{2}-\d{4}"  # 匹配日期格式，如"09-18-2023"
text = "Today is 09-18-2023."
match = re.search(pattern, text)

if match:
    print("匹配成功")
else:
    print("匹配失败")

5. 正则表达式的重复限定符

正则表达式的重复限定符用于指定一个模式的重复次数。

• {n}：匹配前一个字符恰好n次。
• {n,}：匹配前一个字符至少n次。
• {n,m}：匹配前一个字符至少n次，最多m次。
• *：匹配前一个字符0次或多次。
• +：匹配前一个字符1次或多次。
• ?：匹配前一个字符0次或1次。

pattern = r"\d{3}-\d{2}-\d{4}"  # 匹配社会安全号码，如"123-45-6789"
text = "My SSN is 123-45-6789."
match = re.search(pattern, text)

if match:
    print("匹配成功")
else:
    print("匹配失败")

6. 正则表达式的贪婪与非贪婪匹配

正则表达式默认采用贪婪匹配，即尽可能匹配更多的字符。可以使用?来实现非贪婪匹配，即尽可能匹配更少的字符。

pattern = r"<.*>"  # 贪婪匹配，匹配整个字符串
text = "<div>Hello</div><p>World</p>"
match = re.search(pattern, text)

if match:
    print("贪婪匹配成功")
else:
    print("贪婪匹配失败")

pattern = r"<.*?>"  # 非贪婪匹配，匹配最短字符串
match = re.search(pattern, text)

if match:
    print("非贪婪匹配成功")
else:
    print("非贪婪匹配失败")

7. 正则表达式的分组与捕获

正则表达式允许使用()来创建分组，并捕获匹配的内容。

pattern = r"(\d{2})-(\d{2})-(\d{4})"  # 匹配日期，分为年、月、日三个分组
text = "Today is 09-18-2023."
match = re.search(pattern, text)

if match:
    year = match.group(3)
    month = match.group(2)
    day = match.group(1)
    print(f"Year: {year}, Month: {month}, Day: {day}")

8. Python中的正则表达式操作

Python的re模块提供了一系列函数来操作正则表达式，包括：

• re.search()：在字符串中搜索匹配项。
• re.match()：在字符串的开头匹配。
• re.findall()：返回字符串中所有匹配项。
• re.finditer()：返回匹配项的迭代器。
• re.sub()：替换匹配项。
• re.split()：根据正则表达式拆分字符串。

import re

pattern = r"\d+"
text = "The price of the book is $15.99."

matches = re.findall(pattern, text)
print(matches)  # 输出：['15', '99']

new_text = re.sub(pattern, "XX", text)
print(new_text)  # 输出："The price of the book is $XX."

9. 正则表达式的高级技巧

9.1 负向预查

负向预查允许你在匹配之前指定一个条件，该条件必须不满足才进行匹配。

pattern = r"Windows(?=95|98|NT|2000)"  # 匹配Windows后面跟随95、98、NT或2000的字符串
text = "Windows95, Windows98, WindowsXP"
matches = re.findall(pattern, text)
print(matches)  # 输出：['Windows']

9.2 正向预查

正向预查允许你在匹配之前指定一个条件，该条件必须满足才进行匹配。

pattern = r"(?<=@)\w+"  # 匹配@符号后面的单词字符
text = "Email addresses: [e-mail], [e-mail]"
matches = re.findall(pattern, text)
print(matches)  # 输出：['example', 'gmail']

9.3 命名捕获组

可以使用(?P<name>...)语法来给捕获组命名。

pattern = r"(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})"
text = "Today is 2023-09-18."
match = re.search(pattern, text)

if match:
    year = match.group("year")
    month = match.group("month")
    day = match.group("day")
    print(f"Year: {year}, Month: {month}, Day: {day}")

9.4 非捕获组

可以使用(?:...)语法来创建非捕获组，即不捕获匹配的内容。

pattern = r"(?:Mr.|Mrs.) (\w+)"  # 匹配Mr.或Mrs.后面的单词字符
text = "Mr. Smith and Mrs. Johnson"
matches = re.findall(pattern, text)
print(matches)  # 输出：['Smith', 'Johnson']

10. 实际应用示例

10.1 邮箱验证

import re

def is_valid_email(email):
    pattern = r"^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}$"
    return re.match(pattern, email) is not None

email = "[e-mail]"
if is_valid_email(email):
    print("邮箱地址有效")
else:
    print("邮箱地址无效")

10.2 HTML标签提取

import re

def extract_html_tags(html):
    pattern = r"<[^>]+>"
    return re.findall(pattern, html)

html = "<div><p>Hello, World!</p></div>"
tags = extract_html_tags(html)
print(tags)  # 输出：['<div>', '<p>', '</p>', '</div>']

10.3 日志分析

import re

log = """
[INFO] User Alice logged in.
[ERROR] Connection failed for user Bob.
[INFO] User Carol logged in.
"""

pattern = r"[([A-Z]+)] ([^\n]+)"
matches = re.findall(pattern, log)
for match in matches:
    level, message = match
    print(f"Level: {level}, Message: {message}")

11. 总结

正则表达式是Python中强大的文本处理工具，它允许你在文本中搜索、匹配和处理模式。本文介绍了正则表达式的基础知识、元字符、预定义字符类、重复限定符、贪婪与非贪婪匹配、分组与捕获、正则表达式操作、高级技巧以及实际应用示例。正则表达式在文本处理、数据清洗、日志分析、输入验证等各种场景中都有广泛的应用。希望本文能帮助你更好地理解和应用正则表达式，提高你的文本处理能力。