自定义字符集

自定义字符集使用方括号 [] 作为边界字符， 用方括号包含的字符， 将被定义到一个字符集中：

r"" 是 Python 中原始字符串的写法， 表示此字符串中的特殊字符不会被 Python 转义。 由于正则表达式中也需要转义字符， 所以采用这样的写法能避免 \\ 这样的表达方式出现。

# []
r"[*&，\。]"

上面这个字符集， 可以匹配 *， &， ，， 。 四个字符。

在自定义字符集中，元字符会表示其字面含义，例如：[.] [*] [+] 分别会匹配 ., *, + 三个字符。

也可以使用字符编码来代替字符，例如 \x20 代表空格， 在 ASCII 范围内的字符都可如此表示。 如果表示 Unicode， 那么不同的语言也许存在不同的表示方法， 但绝大多数语言采用 \u编码 的形式。

r"[1-9]"
# 表示 [123456789]

r"[0-9A-Za-z]"
# 表示所有数字以及大小写字母

# [^]
r"[^0-9]"

预定义字符集

在大多数正则表达式实现中， 都预先定义了一系列常用的字符集:

一般都是 \小写字母 表示一个字符集， 而对应的 \大写字母 表示它的补集。

预定义量词

量词的贪心性

用于决定量词的匹配方式：

贪婪

对于一个被量词修饰的正则构造，在 整个表达式可以被匹配 的前提下，为当前构造尽可能 多 地匹配字符。依次读取字符，当字符满足当前正则构造时就将其匹配为此构造的内容；当不满足时，就将回溯，进入下一个正则构造开始匹配。重复以上过程，直到表达式结束或字符串耗尽（匹配失败）。

懒惰

对于一个被量词修饰的正则构造，在 整个表达式可以被匹配 的前提下，为当前正则构造尽可能 少 地匹配字符。依次读取字符，每次尝试不读入字符就匹配当前构造，如果失败，则读入一个字符进行匹配。重复以上过程，直到表达式结束或字符串耗尽（匹配失败）。

正则表达式默认以贪婪模式进行匹配， 如果要将一个正则构造设置为懒惰， 则在对应的量词后 再 多加一个 ? 问号。

import re
regp = re.compile(r"\d{1，5}")
regp_l = re.compile(r"\d{1，5}?")
# 这两个正则表达式都匹配 1 ~ 5 个数字， 一个是贪婪的， 另一个是非贪婪的

两者分别进行匹配:

>>> string = "abc0123456efg"
>>> regp.search(string)
<re.Match object; span=(3, 8), match='01234'>
>>> regp_l.search(string)
<re.Match object; span=(3, 4), match='0'>

可以看到， regp 匹配满了 5 个， 才结束了匹配， 而 regp_l 只匹配了一个， 就结束了匹配。

当多个贪婪或懒惰的正则构造配合使用时， 满足以下规律 （在整个表达式可成功匹配的前提下）：

1. 每个构造都能满足最低需求

2. 优先满足贪婪构造的最高需求

3. 同为贪婪构造， 优先满足左侧(头部)构造的需求

4. 若为懒惰构造， 则多余的部分被抛弃

子捕获组

子表达式和正则表达式一样， 都是捕获的。 捕获的意思就是说， 对于一个成功匹配的正则匹配结果， 可以将表达式所匹配到的内容提取出来。

>>> import re
>>> string = "zombie110year@outlook.com"
>>> regp = re.compile(r"(\S+)@outlook.com")
>>> match = regp.match(string)
>>> match.group(0)
zombie110year@outlook.com
>>> match.group(1)
zombie110year

所有的捕获组都有对应的索引值。 完整的正则表达式具有索引值 0， 内部的子捕获组索引则按照 1，2，3，4… 这样的顺序依次递增。 如果存在内嵌的子表达式， 则索引值对应的顺序为:

1. 从外向内

2. 如果属于同一层， 则从左到右

非捕获组

非捕获组使用 (?:)， 用于表示那些需要在正则表达式中匹配， 但是不计入捕获组计数中的子表达式:

>>> import re
>>> string = "zombie110year@outlook.com"
>>> regp = re.compile(r"(\S+)(?:@)([\w\.]+)")
>>> match = regp.match(string)
>>> match.group(0)
zombie110year@outlook.com
>>> match.group(1)
zombie110year
>>> match.group(2)
outlook.com

命名捕获组

可以为捕获组取一个名字， 以便通过其名称以字符串作为索引取出该捕获组内容。 命名捕获组采用 (?<name>pattern) 的语法。 pattern 是要匹配的模式， name 是这个捕获组的命名。

>>> import re
>>> regp = re.compile(r"(?P<username>\S+)@(?P<domain>[\w\.]+)")
# Python 中的命名捕获组使用  (?P<name>pattern) 语法
>>> regp.match("zombie110year@outlook.com")
<re.Match object; span=(0, 25), match='zombie110year@outlook.com'>
>>> _.group('username'), _.group('domain')
('zombie110year', 'outlook.com')
>>> regp.match("zombie110year@gmail.com")
<re.Match object; span=(0, 23), match='zombie110year@gmail.com'>
>>> _.group('username'), _.group('domain')
('zombie110year', 'gmail.com')

条件或

条件或使用 | 管道符。 它表示 『在当前表达式层级匹配竖线左侧或右侧的结构』。

条件或可用在最外层表达式中: "cat|dog" 既可以匹配 "cat"， 又可以匹配 "dog"。

也可以用在子表达式中: "gr(e|a)y" 可以匹配 "grey" 或 "gray"。

如果多个条件或连用， 则表示在当前表达式层级下， 竖线所分割的不同区块的或关系: "tom|jerry|spike" 可以匹配 "tom" 或 "jerry" 或 "spike"。

捕获组的引用

捕获组可以通过继续的程序调用， 以编号或命名方式引用（提取）。 也可以在正则表达式内部进行引用（反向引用）。

预定义断言

^

字符串（或行）的首部

$

字符串（或行）的尾部

\b`（或 `\<, \> 在 GNU Regex 中）

单词的首尾。\b 更通用一些。

\B

单词的内部

自定义断言

正前瞻断言〔(?={{ 模式 }})〕

在正则表达式的末尾使用，限定正则表达式在 模式 之前。

正后顾断言〔(?<={{ 模式 }})〕

在正则表达式的开头使用，限定正则表达是在 模式 之后。

负前瞻断言〔(?!{{ 模式 }})〕

类似「正前瞻断言」，但此断言内的模式表示『非』含义，限定正则不在此模式之前。

负后顾断言〔(?<!{{ 模式 }})〕

类似「正后顾断言」，但此断言内的模式表示『非』含义，限定正则不在此模式之后。