本文翻譯自：https://docs.python.org/3.4/howto/regex.html

博主對此做了一些批註和修改 ^_^

正則表達式介紹

正則表達式（Regular expressions 也稱為 REs，或 regexes 或 regex patterns）本質是一個微小的且高度專業化的編程語言。它被嵌入到 Python 中，並通過 re 模塊提供給程式員使用。使用正則表達式，你需要指定一些規則來描述那些你希望匹配的字元串集合。這些字元串集合可能包含英語句子、e-mail 地址、TeX 命令，或任何你想要的東東。

正則表達式模式被編譯成一系列的位元組碼，然後由一個 C 語言寫的匹配引擎所執行。對於高級的使用，你可能需要關註匹配引擎是如何執行給定的 RE，並通過一定的方式來編寫 RE，以便產生一個可以運行得更快的位元組碼。本文暫不講解優化的細節，因為這需要你對匹配引擎的內部機制有一個很好的理解。但本文的例子均是符合標準的正則表達式語法。

批註：Python 的正則表達式引擎是用 C 語言寫的，所以效率是極高的。另，所謂的正則表達式，這裡說的 RE，就是上文我們提到的 “一些規則”。

正則表達式語言相對較小，並且受到限制，所以不是所有可能的字元處理任務都可以使用正則表達式來完成。還有一些特殊的任務，可以使用正則表達式來完成，但是表達式會因此而變得非常複雜。在這種情況下，你可能通過自已編寫 Python 代碼來處理會更好些；儘管 Python 代碼比一個精巧的正則表達式執行起來會慢一些，但可能會更容易理解。

批註：這可能是大家常說的 “醜話說在前” 吧，大家別管它，正則表達式非常優秀，它可以處理你 98.3% 的文本任務，一定要好好學哦~~~~

簡單的模式

我們將從最簡單的正則表達式學習開始。由於正則表達式常用於操作字元串，因此我們從最常見的任務下手：字元匹配。

字元匹配

大多數字母和字元會匹配它們自身。舉個例子，正則表達式 Fanfan 將完全匹配字元串 “Fanfan”（你可以啟用不區分大小模式，這將使得 Fanfan 可以匹配 “FANFAN” 或 “fanfan”，我們會在後邊討論這個話題）。

當然這個規則也有例外，有少數特殊的字元我們稱之為元字元（metacharacter），它們並不能匹配自身，它們定義了字元類、子組匹配和模式重覆次數等。本文用很大的篇幅專門討論了各種元字元及其作用。

下邊是元字元的完整列表（我們將在後邊逐一講解）：

. ^ $ * + ? {} [] \ | ()

 批註：如果沒有這些元字元，正則表達式就變得跟字元串的 find() 方法一樣平庸了......

我們先來看下方括弧 [ ]，它們指定一個字元類用於存放你需要匹配的字元集合。可以單獨列出需要匹配的字元，也可以通過兩個字元和一個橫桿 - 指定匹配的範圍。例如 [abc] 會匹配字元 a，b 或 c；[a-c] 可以實現相同功能。後者使用範圍來表示與前者相同的字元集合。如果你想只匹配小寫字母，你的 RE 可能寫成 [a-z]。

需要註意的一點是：元字元在方括弧中不會觸發 “特殊功能”，在字元類中，它們只匹配自身。例如 [akm$] 會匹配任何字元 'a'，'k'，'m' 或 '$'，‘$’ 是一個元字元，但在方括弧它不表示特殊含義，它只匹配 '$' 字元本身。

你還可以匹配方括弧中未列出的所有其它字元，做法是在類的開頭添加一個脫字元號 ^，例如 [^5] 會匹配除了 '5' 之外的任何字元。

或許最重要的元字元當屬反斜杠 \ 了，跟 Python 的字元串規則一樣，如果在反斜杠後邊緊跟著一個元字元，那麼元字元的 “特殊功能” 也不會被觸發。例如你需要匹配符號 [ 或 \，你可以在它們前面加上一個反斜杠，以消除它們的特殊功能：\[，\\ 。

反斜杠後邊跟一些字元還可以表示特殊的意義，例如表示十進位數字，表示所有的字母或者表示非空白的字元集合。

批註：反斜杠真牛逼，反斜杠後邊跟元字元去除特殊功能，反斜杠後邊跟著普通字元實現特殊功能。

讓我們來舉個例子：\w 匹配任何單詞字元。如果正則表達式以位元組的形式表示，這相當字元類 [a-zA-Z0-9_]；如果正則表達式是一個字元串，\w 會匹配所有 Unicode 資料庫（unicodedata 模塊提供）中標記為字母的字元。你可以在編譯正則表達式的時候，通過提供 re.ASCII 表示進一步限制 \w 的定義。

批註：re.ASCII 標誌使得 \w 只能匹配 ASCII 字元，不要忘了，Python3 是 Unicode 的。

下邊列舉一些反斜杠加字元構成的特殊含義：

它們可以包含在一個字元類中，並且一樣擁有特殊含義。例如 [\s,.] 是一個字元類，它將匹配任何空白字元（/s 的特殊含義），',' 或 ‘.’ 。

最後我們要講的一個元字元是 .，它匹配除了換行符以外的任何字元。如果設置了 re.DOTALL 標誌，. 將匹配包括換行在內的任何字元。

重覆的事情

使用正則表達式能夠輕鬆的匹配不同的字元集合，但 Python 字元串現有的方法卻無法實現。然而，如果你認為這是正則表達式的唯一優勢，那你就 too young too native 了。正則表達式有另一個強大的功能，就是你可以指定 RE 部分被重覆的次數。

我們來看看 * 這個元字元，當然它不是匹配 '*' 字元本身（我們說過元字元都是有特殊能力的），它用於指定前一個字元匹配零次或者多次。

例如 ca*t 將匹配 ct（0 個字元 a），cat（1 個字元 a），caaat（3 個字元 a），等等。需要註意的是，由於受到 C 語言的 int 類型大小的內部限制，正則表達式引擎會限制字元 'a' 的重覆個數不超過 20 億個；不過，通常我們工作也用不到那麼大的數據。

正則表達式預設的重覆規則是貪婪的，當你重覆匹配一個 RE 時，匹配引擎會嘗試儘可能多的去匹配。直到 RE 不匹配或者到了結尾，匹配引擎就會回退一個字元，然後再繼續嘗試匹配。

我們通過例子一步步的給大家講解什麼叫 “貪婪”：先考慮一下表達式 a[bcd]*b，首先需要匹配字元 'a'，然後零個到多個 [bcd]，最後以 'b' 結尾。那現在想象一下，這個 RE 匹配字元串 abcbd 會怎樣？

最終，RE 匹配的結果是 abcb 。

批註：正則表達式預設的匹配規則是貪婪的，後邊有教你如何使用非貪婪的方法匹配。

另一個實現重覆的元字元是 +，用於指定前一個字元匹配一次或者多次。

要特別註意 * 和 + 的區別：* 匹配的是零次或者多次，所以被重覆的內容可能壓根兒不會出現；+ 至少需要出現一次。例如 ca+t 會匹配 cat 和 caaat，但不會匹配 ct 。

還有兩個表示重覆的元字元，其中一個是問號 ?，用於指定前一個字元匹配零次或者一次。你可以這麼想，它的作用就是把某種東西標誌位可選的。

最靈活的應該是元字元 {m,n}（m 和 n 都是十進位數），上邊講到的幾個元字元都可以使用它來表達，它的含義是前一個字元必須匹配 m 次到 n 次之間。例如 a/{1,3}b 會匹配 a/b，a//b 和 a///b 。但不會匹配 ab（沒有斜杠）；也不會匹配 a////b（斜杠超過三個）。

你可以省略 m 或者 n，這樣的話，引擎會假定一個合理的值代替。省略 m，將被解釋為下限 0；省略 n 則會被解釋為無窮大（事實上是上邊我們提到的 20 億）。

批註：如果是 {,n} 相當於 {0,n}；如果是 {m,} 相當於 {m,正無窮}；如果是 {n}，則是重覆前一個字元 n 次。另外還有一個超容易出錯的是寫成 {m, n}，看著挺美，但註意，正則表達式裡邊不能隨意添加空格，不然會改變原來的含義。

最後，其實 * 、+ 和 ? 都可以使用 {m,n} 來代替。{0,} 跟 * 是一樣的；{1,} 跟 + 是一樣的；{0,1} 跟 ? 是一樣的。不過還是鼓勵大家記住並使用 * 、+ 和 ?，因為這些字元更短並且更容易閱讀。

批註：還有一個原因是匹配引擎對 * + ? 做了優化，效率要更高些。

(本文完)

下一篇：詳解 Python3 正則表達式（二）

如果你喜歡這篇文章，請通過下方「評論」給我鼓勵哦 ^_^