分类： Python/Ruby
2010-03-23 13:52:32
学习正则表达式，最好的教材是《精通正则表达式》，而要精通NFA正则表达式，使用了NFA引擎的python正则模块官方文档就是最好的教材，大部分的功能同样在其他使用传统NFA引擎的正则包里受到支持。
目前公开引擎流派的：
使用DFA引擎的程序主要有：awk,egrep,flex,lex,MySQL,Procmail等；
使用传统型NFA引擎的程序主要有：GNU Emacs,Java,ergp,less,more,.NET语言,PCRE library,Perl,PHP,Python,Ruby,sed,vi；
使用POSIX NFA引擎的程序主要有：mawk,Mortice Kern Systems’ utilities,GNU Emacs(使用时可以明确指定)；
使用DFA/NFA混合的引擎：GNU awk,GNU grep/egrep,Tcl。
正则表达式（RE）模块的功能主要是设置一个字符串并搜索其中的字串；这个模块的功能让你检查一个特定的字符串，匹配给定的正则表达式（或正则表达式匹配特定的字符串，它可以归结为对同样的事情，一般情况下，NFA引擎是由表达式主导，而python的re正是NFA引擎，从引擎的机制上来描述，应该是理解为拿正则表达式匹配特定的字符串；DNF引擎反之，详细可参考精通正则表达式一书关于正则引擎的章节）。
正则表达式可以被连接在一起，形成新的正则表达式，如果A和B都是正则表达式，那么AB同时也是正则表达式。一般来说，如果一个串p匹配了A，另外一个串q匹配了B，那么串pq会匹配AB。这种情况不包含A或B使用了低优先级描述（非贪婪匹配模式），命名捕获组（反向引用）。因此，复杂的表达式可以很容易地从简单易建的子表达式来描述的。对于理论和正则表达式的执行细节，请参考本书的引用，或几乎任何编译器构造的文档。
这里包含关于正则表达式的进一步信息和详细报告、使用指南：
正则表达式可以同时包含元字符（直译为特殊字符，国内一般称为元字符）和普通字符。大多数普通字符，如“a”，“1”或“0”，是最简单的正则表达式，它们只是描述本身。您可以连接普通的字符，因此last匹配字符串'last'。 （在本节的其余部分，我们将按照这种格式来描述，表达式通常不带引号，和包含在单引号的字符串进行匹配。）
一些字符，如“|”或“（”，是特殊的字符。特殊符号会对普通字符进行分组或者影响临近的普通字符、表达式。
包括以下元字符：
.
（Dot）在默认模式下，它匹配除了换行符号以外的任意字符。如果指定了DOTALL，那它将可匹配换行符。
^
（Caret）匹配字符串的开始，即物理行的开始，在多行模式下，也可匹配换行符后的位置，即逻辑行的开始。
$
匹配字符串的结尾或在字符串尾部的换行符之前的位置，在多行模式下，还可以匹配到一个新的行之前的位置。foo可以匹配'foo'和'foobar'，而foo$只匹配'foo'。更有趣的是，在'foo1\nfoo2\n'中搜索foo.$，默认模式下匹配到'foo2'，而在多行模式下，可匹配到'foo1'和'foo2'。不指定多行模式，$匹配物理行的结尾，而foo1为串的逻辑行之前的字符，所以未被匹配。
*
描述前边邻近的字符或子表达式，匹配0个或多个重复，因为许多重复是有可能的。ab*将匹配'a'，'ab'，或者'a'后面跟大量的'b'。
+
描述前边邻近的字符或子表达式，匹配1个或多个重复。ab+将匹配'a'和后面跟着不少于1个的b，但不单独匹配'a'。
?
描述前边邻近的字符或子表达式，匹配0个或1个重复。ab?将匹配'a'或'ab'。
*?、+?、??
使用"*"、"+"、"?"这些量词描述符都是贪婪匹配的，它们会匹配尽可能多的字符。有时，这种行为并非是我们想要的，若使用<.*>去匹配'title
'，它将会匹配整个字符串，而不只是''
。在量词描述符后面添加"?"后，会使匹配过程里，变为非贪婪模式，匹配尽可能少的字符。使用<.*?>去匹配之前的字符串，将只匹配。
{m}
描述前边邻近的字符或子表达式，尝试匹配尽可能多的m个重复。例如，a{6}匹配6个'a'，不是5个。
{m,n}
描述前边邻近的字符或子表达式，尝试匹配尽可能多从m个到n个重复。例如a{3,5}将匹配3至5个'a'，省略m，默认为0，即是匹配下限为0个，省略n则是匹配上限为无限。例如，a{4,}将匹配'aaaab'里的4个a或其中包含成千上万个'a'，但最少应该有4个'a'，并不匹配'aaab'，逗号不可省略，以免与之前介绍的描述符冲突。
{m,n}?
描述前边邻近的字符或子表达式，尝试匹配尽可能少从m个到n个重复。这是非贪婪版本的{m,n}。例如，在6个字符的字符串'aaaaaa'，a{3,5}将匹配5个'a'，而a{3,5}?将匹配3个'a'。
\
用于转义元字符，或者简写标记的声明（将在下边谈论）。如果在python里你不适用raw原始字符串来作为表达式，请记住，表达式还需要为每个反斜杆前边在用一个反斜杆来转义。若转义序列并非由python作解析，那么\将会直接修饰之后的字符。但是如果由python来解释表达式，反斜杆应该重复2次。这比较复杂，不容易理解，所以强烈建议使用最简单的raw格式的原始字符串来写表达式。例如，r"aaa\(a\)"匹配'aaa(a)'，假如使用普通字符串来编写表达式："aaa\\(a\\)"。
[]
用于描述一个字符组（台翻译为字符集）。字符组可以是由多个单独字符组成，也可以使用连字符-来表示字符范围。特殊字符在字符组里是无效的，只作为普通字符描述。例如，[akm$]是匹配'a'、'k'、'm'、'$'里的其中一个字符；[a-z]将匹配所有小写字母，[a-zA-Z0-9]将匹配所有字母和数字；简写标记也可以在字符组里描述。如果你想包含']'或者'-'，那就在该字符前使用反斜杆转义，或者将它写在字符组的第一个，例如[]]匹配']'，注意，假如同时需要匹配'-'和']'，就只能把其中一个放在第一位，另一个用反斜杆转义，推荐对所有不需要的元字符都使用反斜杆转义。您还可以匹配一个除了字符组里描述字符以外的字符，以脱字符'^'作为第一个字符，将标示这是一个排除型字符组，^在别的位置，只会匹配普通的'^'字符。例如，[^5]匹配除了5以外的字符；[^^]匹配除了脱字符以外的字符。
|
A|B，其中A和B可以是任意的子表达式，该表达式将可匹配A或者B。表达式里可以使用任意数量的|进行多选分支的分隔。这可用于分组捕获等（见下文）。对目标字符串进行扫描时，|是从左到右的顺序进行分隔。当一个分支被完全匹配，那么该分支就会被接受，这以为着，一旦A匹配，B就永远不会被尝试匹配。即使B会匹配更长的字符串。换句话说，在|操作符里，是永远不会贪婪匹配的。要匹配一个普通字符|，可使用\|转义写法，或者用字符组包含：[|]。
(...)
正则表达式会匹配括号内的字符，从开始字符到结束字符分为一个组，该组在捕获完成之后，可使用\数字来进行反向引用。需要匹配字符'('、')'时，使用转义符进行转义'\('、'\)'，或者用字符组：[(]、[)]。
(?...)
捕获组中可使用扩展功能符，在(之后使用?，在?之后描述进一步的语法含义。扩展通常不会进行新的捕获，(?P
以下是目前支持的扩展功能：
(?iLmsux)
(可以一个或者多个修饰符同时使用：'i'，'L'，'m'，'s'，'u'，'x')
该组匹配空字符串；在模块中，相应的设置标志：re.I,re.L,re.M,re.S,re.U,re.X。如果你需要在表达式中指定匹配标志，而不是通过编译函数来指定，这是非常有用的，编译标志将影响整个表达式。请注意，(?x)的标志改变表达式的书写规则，如果在该标志之后包含了空白字符，那空白字符将会被忽略。例如aa(?i)a可匹配'AaA'。
(?:)
捕获组的无捕获版本。正则表达式会捕获任何在括号内的内容，但该捕获组不会捕获任何内容，也不可用于反向引用。一般用于做子表达式的界定符，例如给aa|b加限定：a(?:a|b)匹配'a'之后还有'a'或者'b'，而不是原本的匹配'aa'或者匹配b。
(?P
功能类似捕获组，但该组匹配后可通过一个名称来引用捕获内容。分组名必须是有效的python标识符，每个组名在一个表达式只能被用一次。一个没有声明组名的捕获组其实也是一个id编号组。所以在上面的例子里，也可以把组命名并且进行反向引用。例如，表达式是：(?P
示例：
>>> m = re.match('a(?P
>>> m.group() #获取所有成功匹配内容
'abcde'
>>> m.group('id') #获取id组捕获内容
'b'
>>> m.end('id') #获取id组成功匹配结束位置点
2
>>> m.end() #获取整个表达式成功匹配结束位置点
5
>>> m = re.match('a(?P
>>> m.group()
'abcdeb'
>>> re.sub('a(?P
'abbh'
(?P=name)
反向引用，匹配之前对应的命名组所捕获的内容。
(?#...)
注释，包含在该括号内的内容将被忽略。
(?=...)
如果当前位置可匹配...，那么匹配接下来的表达式，但这个匹配只是一个判断，它并不消耗、占有任何字符，这被称为后向断言（顺序肯定环视）。例如Isaac (?=Asimov)可以匹配Isaac，但它后边必须跟着'Asimov'。
(?!...)
如果当前位置不可匹配...，那么匹配接下来的表达式。这是后向否定断言（顺序否定环视），例如，Isaac (?!Asimov) 会匹配 'Isaac ' ，当它后边不是跟着 'Asimov'的时候。
(?<=...)
如果当前位置点的前面符合某些条件，那么从这个点开始匹配接下来的表达式。这被称为前向断言（逆序肯定环视）。(?<=abc)会找到一个匹配在字符串'abcdef'中，在匹配位置点向前检查三个字符，符合包含在断言里的描述的三个字符。断言所包含的表达式必须是固定长度的（不能使用量词修饰），这意味着a|b是被允许的，而a*、a{3,4}是不允许的。请注意，使用后向断言永远不会从字符串开始进行匹配，你需要使用的函数可能是search()，而不是match()，因为match()是从字符串开头进行匹配，否则失败，而使用环视功能会导致该函数失败：
>>> import re
>>> m = re.search('(?<=abc)def', 'abcdef')
>>> m.group(0)
'def'
This example looks for a word following a hyphen:
>>> m = re.search('(?<=-)\w+', 'spam-egg')
>>> m.group(0)
'egg'
(?...)
如果当前位置点的前面不符合某些条件，那么从这个点开始匹配接下来的表达式。这就是所谓的前向否定断言（逆序否定环视）。类似后向否定断言，所包含的表达式必须是固定长度的字符串。在前向否定断言里的表达式可能会在字符串开始被搜索。
(?(id/name)yes-pattern|no-pattern)
如果存在并捕获成功指定编号或命名的捕获组，就会尝试匹配yes-pattern，如果捕获失败，那么尝试匹配no-pattern，|no-pattern是可省略的。例如，(<)?(\w+@\w+(?:\.\w+)+)(?(1)>)是一个匹配电子邮件地址的表达式，将匹配'<>' 或者 ''这样的格式，但不匹配'<'。该功能在2.4版本新加入。
元字符序列由'\'和下面列出的普通字符组成。如果字符不在下列，那么正则将会匹配第二个字符，例如\$匹配'$'。
\number
引用对应编号的捕获组的内容。组编号从1开始。例如，(.+) \1匹配的是'the the'或'55 55'，但不匹配'the end'。注意反向引用所引用的内容。这个元字符序列只能用来引用1至99之间的一个，如果第一个数字为0，或者是三位数，它不会被解释为反向引用，但会作为8进制数字。在字符组[]里，所有的元字符都被视为字符。
\A
匹配字符串的开始。
\b
匹配空字符串（匹配位置比较容易理解），但只在单词的开头或结尾。一个单词是由字母数字或下划线字符组成，因此一个单词的边界是空白或者非字母数字、不包括下划线。请注意，\b是指\w和\W之间的边界，因此确切的字符集定义取决于UNICODE和LOCALE编译标志的值。在字符范围内，\b表示退格符，与python的字符串兼容。
\B
匹配空字符串（匹配位置比较容易理解），但当它不在单词的开始或结尾。这是和\b相反的，也受到LOCALE和UNICODE的设置影响。
\d
当UNICODE标志没有指定，匹配任何10进制数字，相当于[0-9]。带UNICODE标志时，它会匹配任何在unicode字符集中属于数字分类的字符。
\D
当UNICODE标志没有指定，匹配任何非数字字符，相当于[^0-9]。带UNICODE标志时，它会匹配任何不在unicode字符集中属于数字分类的字符。
\s
当LOCALE和UNICODE标志没有指定时，匹配任何空白字符，这相当于[ \t\n\r\f\v]。带LOCALE标志时，它将匹配当前环境定义的空白符。如果带UNICODE标志，那么将匹配任何被划分为空白符的符号。
\S
当LOCALE和UNICODE标志没有指定时，匹配任何非空白字符，这相当于[^\t\n\r\f\v]。带LOCALE标志时，它将匹配当前环境定义的非空白符。如果带UNICODE标志，那么将匹配任何不被划分为空白符的符号。
\w
当LOCALE和UNICODE标志没有指定时，匹配任何字母数字字符、下划线，这相当于[a-zA-Z0-9_]。带LOCALE标志时，它将匹配当前环境定义的字母和[0-9_]。带UINCODE标志时，将匹配在unicode字符集里划分为字母的字符和[0-9_]。
\W
当LOCALE和UNICODE标志没有指定时，匹配任何非字母数字字符、下划线，这相当于[^a-zA-Z0-9_]。带LOCALE标志时，它将匹配除了当前环境定义的字母、[0-9_]。带UINCODE标志时，将匹配除了在unicode字符集里划分为字母的字符、[0-9_]。
\Z
