文章目录
- 前言
- 一、行定位符
- 二、元字符
- 三、限定符
- 四、字符类
- 五、排除字符
- 六、选择字符
- 七、转义字符
- 八、分组
- 九、正则表达式语法
- 总结
前言
在处理字符串时，经常会有查找符合某些复杂规则的字符串的需求。比如用爬虫批量抓取某网站图片，要从抓下来的网页信息中提取出所有的图片地址如下图所示：
这时候正则表达式就派上了用场，正则表达式就是记录文本规则的代码，有了它，我们可以从海量数据里面精准筛选出需要的那部分内容。今天就详细来看看正则表达式中的特殊字符以及详细用法。
一、行定位符
行定位符就是用来描述字符串的边界，“^” 表示行的开始，“$” 表示行的结尾。比如：
^Ha该表达式表示要匹配字符串的开头位置是 Ha，如 “Hangzhou is a very beautiful city” 可以匹配，而 “Your words are very funny, Ha” 则不匹配。但如果使用：
Ha$后者可以匹配而前者不能匹配。如果要匹配的字符串可以出现在字符串的任意部分，那么可以写成下面的格式，这样两个字符串都能匹配上。
Ha二、元字符
除了前面介绍的 “^” 和 “$” 外，正则表达式里还有更多的元字符，例如下面的正则表达式中就应用了元字符 “\b” 和 “\w”。
\ban\w*\b上面的正则表达式用于匹配以字母 an 开头的字符串，先从字符串的开头 an 处开始匹配，接着是任意数量的字母或数字（\w*）。该表达式可以匹配 “anaconda” 和 “and246”，但不能与 “abandon” 匹配。更多常见元字符如下表所示：
元字符 | 说明 | 举例 |
. | 匹配除换行符以外的任意字符 | . 可以匹配 “acd\n8R\t” 中的 a、c、d、8、R、\t |
\w | 匹配字母、数字、下划线或汉字 | \w 可以匹配 “miO次9\nqw” 中的 “m、i、O、次、9、q、w”，但不能匹配 \n |
\W | 匹配除字母、数字、下划线或汉字以外的字符 | \W 可以匹配 “92d\nsc” 中的 \n，但不能匹配 “9、2、d、s、c” |
\s | 匹配单个的空白符（包括 Tab 键和换行符） | \s 可以匹配 “c\t8B” 中的 \t |
\S | 匹配除单个空白符（包括 Tab 键和换行符）以外的所有字符 | \S 可以匹配 “字we2\t90” 中的 “字、w、e、2、9、0” |
\b | 匹配单词的开始或结束，单词的分解符通常是空格，标点符号或者换行 | 在 “there were deserts where” 字符串中，\bw 与 were 中的 w 相匹配，但与 where 中的 w 不匹配 |
\d | 匹配数字 | \d 可以与 “dg34&” 中的 3、4 匹配 |
三、限定符
在上面例子中，使用（\w*）可以匹配任意数量的字母或数字。但如果想要匹配指定数量的数字，该如何表示呢？
正则表达式为我们提供了限定符（指定数量的字符） 来实现该功能。如匹配 11 位电话号码可使用如下表达式：
^\d{11}$常用的限定符如下表所示：
限定符 | 说明 | 举例 |
? | 匹配前面的字符 0 次或 1 次 | Pyth?on，该表达式可以匹配 Python 和 Pyton |
+ | 匹配前面的字符 1 次或多次 | Py+thon，该表达式可以匹配的范围从 Python 到 Pyy…thon |
* | 匹配前面的字符 0 次或多次 | Pyt*hon，该表达式可以匹配的范围从 Pyhon 到 Pytt…hon |
{n} | 匹配前面的字符 n 次 | Pytho{3}n，该表达式只匹配 Pythooon |
{n,} | 匹配前面的字符至少 n 次 | Pytho{3,}n，该表达式可以匹配的范围从 Pythooon 到 Pythooo…n |
{n,m} | 匹配前面的字符最少 n 次，最多 m 次 | P{1,3}ython，该表达式可以匹配 Python、PPython、PPPython |
四、字符类
正则表达式查找数字和字母是很简单的，因为已经有了对应这些字符集合的元字符（如 “\d”、“\w”），但是如果要匹配没有预定义元字符的字符集合（比如只匹配元音字母a,e,i,o,u）,应该怎么办？
很简单，只需要在方括号里列出它们就行了，像 [aeiou] 可以匹配任何一个英文元音字母，[.?!] 匹配标点符号（“.”，“?”，“!”），也可以轻松的指定一个范围，像 “[0-9]” 代表的含义与 “\d” 就是完全一致的：代表一位数字。同理，“[a-z0-9A-Z_]” 完全等同于 “\w”（如果只考虑英文的话）。
五、排除字符
在上面的字符类中列出的匹配符合指定字符集合的字符串。现在反过来，匹配不符合指定字符集合的字符串。正则表达式提供了 “^” 字符。这个元字符在上面出现过，表示行的开始。而这里将会放到方括号中，表示排除的意思。例如：
[^a-zA-Z]该表达式用于匹配一个不是字母的字符。
六、选择字符
试想一下，如何匹配身份证号码？首先需要了解一下身份证号码的规则。身份证号码长度为 18 位，前 17 位为数字，最后一位是校验位，可能为数字或字符 X。
在上面的描述中，包含着条件选择的逻辑，这就需要使用选择字符（|）来实现。该字符可以理解为 “或”，匹配身份证的表达式可以写成如下方式：
(^\d{18}$)|(^\d{17})(\d|X|x)$该表达式的意思是匹配 18 位数字，或者 17 位数字和最后一位。最后一位可以是数字，也可以是 X 或者 x。
七、转义字符
正则表达式中的转义字符（\）和 Python 中的大同小异，可以将字符本身的含义转成特定的含义，如果是特殊字符（比如 “.” “?” “\” 等）则转变为普通的字符。举一个 IP 地址的实例，用正则表达式匹配诸如 “127.0.0.1” 格式的 IP 地址。如果直接使用点字符，格式为：
[1-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}这显然不对，因为 “.” 可以匹配一个任意字符。这时，不仅是127.0.0.1 这样的 IP，连 127a0b0c1 这样的字符串也会被匹配出来。所以在使用 “.” 时，需要使用转义字符（\）。修改后上面的正则表达式格式为：
[1-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}🌱 说明：括号在正则表达式中也算是一个元字符。
八、分组
通过上面的选择字符板块，大家对小括号的作用有了一定了解。小括号字符的第一个作用就是可以改变限定符的作用范围，如 “|” “*” “^” 等。例如下面的表达式中包含小括号。
(fruit|food)s 这个表达式的意思是匹配单词 fruits 或 foods，如果不使用小括号，那么就变成了匹配单词 fruit 和 foods 了。
小括号的第二个作用是分组，也就是子表达式。如 ([a-z]{1,3}){3}，就是对分组 ([a-z]{1,3}) 进行重复操作。
九、正则表达式语法
在Python中使用正则表达式时，是将其作为模式字符串使用的。例如，将匹配不是字母的一个字符的正则表达式表示为模式字符串，可以使用下面的代码：
'[^a-zA-Z]'而如果将匹配以字母 g 开头的单词的正则表达式转换为模式字符串，则不能直接在其两侧添加引号定界符，例如，下面的代码是不正确的。
'\bg\w*\b'而是需要将其中的 “\” 进行转义，转换后的结果为：
'\\bg\\w*\\b'由于模式字符串中可能包括大量的特殊字符和反斜杠，所以需要写为原生字符串，即在模式字符串前加 r 或 R。例如，上面的模式字符串采用原生字符串表示为：
r'\bg\w*\b'🌱 说明：在编写模式字符串时，并不是所有的反斜杠都需要进行转换，没有特殊意义的就不用转。
总结
今天主要介绍了正则表达式的全部特殊字符和语法，里面牵涉的字符种类居多，建议大家不要强行记忆。在下一篇博客中会讲到Python中怎么实现正则表达式操作，学了之后就可以结合这篇博客中的众多字符用法进行实操。
