6.2.1　正则表达式简介

正则表达式是用于文本匹配的工具，它在源字符串中查找与给定的正则表达式相匹配的部分。一个正则表达式是由字母、数字、汉字和特殊字符（括号、星号、问号等）组成的。正则表达式中有许多特殊的字符，这些特殊字符是构成正则表达式的要素。表6-4说明了正则表达式中特殊字符的含义。

表6-4　正则表达式中的特殊字符

其中，匹配符“[]”可以指定一个匹配范围，例如“[ok]”将匹配包含“o”或“k”的字符。同时“[]”可以与\w、\s、\d等标记等价。例如，[0-9a-zA-Z_]等价于\w，[^0-9]等价于\D。

注意　^与[^m]中的“^”的含义并不相同，后者的“^”表示“除了……”的意思。

如果要匹配电话号码，需要形如“\d\d\d\d-\d\d\d\d\d\d\d”这样的正则表达式。其中出现了11次“\d”，表达方式烦琐。而且某些地区的电话号码是8位数字，区号也有可能是3位或4位数字，因此这个正则表达式就不能满足要求了。正则表达式作为一门小型的语言，还提供了对表达式的一部分进行重复处理的功能。例如，“*”可以对正则表达式的某个部分重复匹配多次。这种匹配符号称为限定符。表6-5列出了正则表达式中常用的限定符。

表6-5　正则表达式中的常用限定符

利用{}可以控制字符重复的次数。例如，\d{1，4}表示1～3位数字。前面提到的电话号码，可以采用如下的正则表达式。

---

\d{3}-\d{8} | \d{4}-\d{7}

---

【代码说明】该表达式匹配区号为3位的8位数电话号码或区号为4位的7位数电话号码。

在书写电话号码时，区号和本地号码之间采用“-”间隔，也有的在区号两侧加圆括号来分隔。这个需求也可以使用正则表达式实现。

---

[\( ]?\d{3}[\]-)?\d{8}|[\( ]?\d{4}[\]-]?\d{7}

---

【代码说明】“[\（-]？”表示最多只能取“（”或“-”其中之一，因此该表达式支持“-”或“()”两种分隔区号的方式，同时也支持把区号和本地电话号码连在一起书写，例如：010-12345678、01012345678、（010）12345678。

注意　“（”和“）”是正则表达式中的特殊字符，如果要把它们作为普通字符处理，需要在前面添加转义字符“\”。

如果要对正则表达式进行嵌套，就需要使用分组“()”。例如，对3位数字重复3次，可以使用如下的正则表达式表示。

---

(\d\d\d){2}

---

如果对字符串“123456789”进行匹配，则匹配到子串“123456”。如果正则表达式写为如下的形式，将匹配到不同的结果。

---

\d\d\d{2}

---

该表达式相当于“\d\d\d\d”，匹配的结果为“1234”和“5678”。

正则表达式的每个分组会自动拥有一个组号。从左往右第1个出现的圆括号为第1个分组，表示为“\1”；第2个出现的圆括号为第2个分组，表示为“\2”，以此类推。组号可以用于重复匹配某个分组。例如，对字符串“abc”重复匹配两次可以表示为如下的正则表达式。

---

(abc)\1

---

如果对字符串“abcabcab”进行匹配，则匹配的结果为“abcabc”。

默认情况下，正则表达式将匹配最长的字符串作为结果。可以通过在限定符后面添加“？”的方式，获取最短匹配的结果。例如，对字符“a”到字符“c”之间的字符进行匹配。

---

a.*c

---

如果对字符串“abcabc”进行匹配，则匹配结果为源字符串“abcabc”，即最长匹配。如果把正则表达式改为如下的方式，将进行最短匹配。

---

a.*?c

---

在“*”后添加了一个“？”，匹配结果为“abc”和“abc”。当匹配到第1个字符“c”后，匹配立刻中断，并返回匹配结果。然后继续进行新的匹配，即返回第2个“abc”。限定符与“？”组合还有一些其他的用法，如表6-6所示。

表6-6　限定符与？的组合

注意　表中的（？P<name>…）和（？P=name）是Python中的写法，其他的符号在各种编程语言中都是通用的。