Python 正则表达式

语法表

语法	说明	表达式实例	完整匹配的字符串
字符
一般字符	匹配自身	abc	abc
.	匹配任意除换行符“\n”外的字符。 在DOTALL模式中也能匹配换行符。	a.c	abc
\	转义字符，使后一个字符改变原来的意思。 如果字符串中有字符*需要匹配，可以使用\*或者字符集[*]。	a\.c a\\c	a.c a\c
[...]	字符集（字符类）。对应的位置可以是字符集中任意字符。 字符集中的字符可以逐个列出，或者给出范围，如[abc]或 [a-c]。第一个字符如果是^则表示取反，如[^abc]表示不是 abc的其他字符。 所有的特殊字符在字符集中都失去其原有的特殊含义。在字 符集中如果要使用 ]、-或^，可以在前面加上转义字符（\）， 或把 ]、-放在第一个字符，把^放在非第一个字符。	a[bcd]e	abe ace ade
预定义字符集（可以写在字符集[...]中）
\d	数字：[0-9]	a\dc	a1c
\D	非数字：[^\d]	a\Dc	abc
\s	空白字符：[<空格>\t\r\n\f\v]	a\sc	a c
\S	非空白字符：[^\s]	a\Sc	abc
\w	单词字符：[A-Za-z0-9]	a\wc	abc
\W	非单词字符：[^\w]	a\Wc	a c
数量词（用在字符或(...)之后）
*	匹配前一个字符0或无限次。	abc*	ab abccc
+	匹配前一个字符1次或无限次。	abc+	abc abccc
?	匹配前一个字符0次或1次。	abc?	ab abc
{m}	匹配前一个字符m次。	ab{2}c	abbc
{m,n}	匹配前一个字符m至n次。 m和n可以省略：若省略m，则匹配0至n次；若省略n，则匹 配m至无限次。	ab{1,2}c	abc abbc
*?, +?, ?? {m,n}?	使*, +, ?, {m,n}变成非贪婪模式	abc{2,4}?	abcc
边界匹配（不消耗待匹配字符串中的字母）
^	匹配字符串开头。 在多行模式中匹配每一行的开头。	^abc	abc
$	匹配字符串末尾。 在多行模式中匹配每一行的末尾。	abc$	abc
\A	匹配字符串开头（对多行也仅匹配第一行开头）。	\Aabc	abc
\Z	匹配字符串末尾（对多行也仅匹配最后一行末尾）。	abc\Z	abc
\b	匹配\w和\W之间的字符。	\bfoo\b	foo bar foo bar (foo) foo2 (not matched)
\B	匹配\w字符，但是不位于单词的开头或结尾。	py\B	python (matched) py 3 (not matched)
逻辑、分组
|	代表左右表达式任意匹配一个。 总是先尝试匹配左边的表达式，一旦成功则跳过匹配 右侧的表达式。如果 | 未被包括在 () 中， 则它的范围是整个正则表达式。	abc|def	abc def
(...)	被括起来的表达式将作为分组，从表达式左边开始每遇到一 个分组的左括号 '(' ，编号+1. 另外，分组表达式作为一个整体，可以后接数量词。 表达式中的 | 仅在该组中有效。	(abc){2} a(123|456)c	abcabc a456c
(?P<name>...)	分组，除了原有的编号外再额外指定一个别名(name)	(?P<id>abc){2}	abcabc
\<number>	引用编号为<number>的分组匹配到的字符串。	(\d)abc\1	1abc1 5abc5
(?P=name)	引用别名为<name>的分组匹配到的字符串。	(?P<id>\d)abc(?P=id)	1abc1 5abc5
特殊构造（不作为分组，即不增加分组号）
(?:...)	(...)的不分组版本	(?:\d)(\d)abc\1	12abc2 (matched) 12abc1 (not matched)
(?#...)	#后为注释内容，不形成匹配模式	(?#comment)abc	abc
(?=...)	之后的字符串需要匹配表达式中的内容。 不消耗字符串内容。	abc(?=123)	abc123 (matched) 匹配结果为 abc， 而不是 abc123。 abc12 (not matched)
(?!...)	之后的字符串不是表达式中的内容，才匹配。 不消耗字符串内容。	abc(?!123)	abc123 (not matched) abc12 (matched) 匹配结果为 abc， 而不是 abc12。
(?<=...)	之前的字符串需要匹配表达式中的内容。 不消耗字符串内容。	(?<=123)abc	123abc (matched)
(?<!...)	之前的字符串不是表达式中的内容，才匹配。 不消耗字符串内容。	(?!123)abc	12abc (matched)
(?(id/name) yes-pattern| no-pattern)	类似C语言中的三元操作符(condition ? x : y)，此处的含义 即当第id个分组或者名称为name的分组匹配到结果的时候 就采用yes-pattern，否则采用no-pattern， 其中no-pattern可以省略	(<)?(\w+@\w+(?:\.\w+)+)(?(1)>)	<user@host.com> user@host.com --------------------------- <user@host.com (not matched）

Python测试

Python中的正则表达式库为 re 。而常用的函数如下

• compile
• match
• search

其中compile函数负责根据生成正则表达式生成相应的匹配模式，而match和search函数则根据匹配模式对目标字符串进行匹配。match与search的区别在于match是从字符串的开头匹配，相当于对匹配模式强制实施了\A，而search可以从字符串的任意位置匹配正则表达式。

import re

pattern = re.compile(r'world')
match1 = pattern.match('hello, world!')
match2 = pattern.search('hello, world!')

if match1:
    print(match1.group())
else:
    print("No match")

if match2:
    print(match2.group())
else:
    print("No match")

输出结果如下：

No match
world

Raw string

注意到上面的例子中声明pattern时使用了如下的方式 pattern = re.compile(r'world')，其中的 r'...' 表示字符串为 raw string，即不对反斜杠 (\) 做转义处理。例如：r'\n' 表示的正是两个字符 \ 和 n 的组合，而如果不声明为raw string的话 '\n' 表示的就是换行符。Raw string的最大好处在于声明正则表达式时可以简化书写。举例说明如下：

pattern1 = re.compile('\\w') # 需要第一个反斜杠对第二个反斜杠转义
pattern2 = re.compile(r'\w') # 反斜杠就是其本来的含义，因此无需两个

综合测试

结合前面的语法表，此处给出一个简单的综合测试案例。要求是从字符串中筛选出电子邮箱地址。实现的方式如下：

(<)?(\w+@\w+(?:\.\w+)+)(?(1)>)

用到的语法包括 \w, +, (?:...), (...), ?, (?(id) yes-pattern | no-pattern)
分析：我们知道邮箱的格式一般为 xxx@yyy.zzz
首先关注以上正则表达式的中间部分 (\w+@\w+(?:\.\w+)+) 在@前的\w+表示至少有一个字母或数字，指代了xxx部分；而@后的\w+指代了yyy部分；(?:\.\w+)+表明了.zzz模式至少有一个（并且不记入分组计数），例如：.com又或者.edu.cn
然后，关注以上表达式首末的语法，(<)? 表示左尖括号没有或者仅有一个，并且由于是第一个分组，所以分组的序号为1；而末尾的语法 (?(1)>) 是 (?(id) yes-pattern | no-pattern) 的省略写法，省略了no-pattern部分，以第一个分组的匹配结果为条件，若找到左尖括号，则相应整体的正则表达式最后会添加上右尖括号从而形成配对；否则无需指定多余的匹配模式；如此一来便可实现对以下两种形式的邮箱地址进行匹配 user@host.com 或者 <user@host.com>

测试源码

更多详细的测试案例参见下方测试代码
Python-Study/regex_study.py

参考

1. Regular expression operations

2. Python正则表达式指南