正则表达式学习笔记

正则表达式

正则表达式（regular expression）描述了一种字符串匹配的模式（pattern）。正则表达式是由普通字符以及特殊字符构成的文字模式。

构建正则表达式和写数学表达式一样，通过元字符和运算符将小的表达式构建为更大的表达式。

元字符

正则表达式主要依赖元字符， 元字符不代表其本身的含义而是具有特殊的含义。

元字符	描述
.	句号匹配任意单个字符除了换行符。
[ ]	字符种类。匹配方括号内的任意字符。
	否定的字符种类。匹配除了方括号里的任意字符
*	匹配>=0个重复的在*号之前的字符。
+	匹配>=1个重复的+号前的字符。
?	标记?之前的字符为可选（0次或者1次）.
{n,m}	匹配num个大括号之前的字符或字符集 (n <= num <= m).
(xyz)	字符集，匹配与 xyz 完全相等的字符串.
\		或运算符，匹配符号前或后的字符.
\	转义字符,用于匹配一些保留的字符 `[ ] ( ) { } . * + ? ^ $ \	`
^	从开始行开始匹配.
$	从末端开始匹配.

简写字符集

正则表达式提供一些常用的字符集简写。如下:

简写	描述
.	除换行符外的所有字符
\\w	匹配所有字母数字，等同于 [a-zA-Z0-9_]
\\W	匹配所有非字母数字，即符号，等同于： [^\w]
\\d	匹配数字： [0-9]
\\D	匹配非数字： [^\d]
\\s	匹配所有空格字符，等同于： [\t\n\f\r\p{Z}]
\\S	匹配所有非空格字符： [^\s]
\\f	匹配一个换页符
\\n	匹配一个换行符
\\r	匹配一个回车符
\\t	匹配一个制表符
\\v	匹配一个垂直制表符
\\p	匹配 CR/LF（等同于 \r\n），用来匹配 DOS 行终止符

定位符

​ 定位符能将正则表达式固定到行首或行尾。同时能将正则表达式固定在单词内部，单词的开头或结尾。

字符	描述
^	匹配输入字符串开始的位置。如果设置了 RegExp 对象的 Multiline 属性，^ 还会与 \n 或 \r 之后的位置匹配。
$	匹配输入字符串结尾的位置。如果设置了 RegExp 对象的 Multiline 属性，$ 还会与 \n 或 \r 之前的位置匹配。
\\b	匹配一个单词边界，即字与空格间的位置。
\\B	非单词边界匹配。

修饰符（标志）

​ 标志也叫模式修正符，因为它可以用来修改表达式的搜索结果。 这些标志可以任意的组合使用，它也是整个正则表达式的一部分。标记不写在正则表达式里，标记位于表达式之外，格式如下：

/pattern/flags

标志	描述
i	忽略大小写。
g	全局搜索。
m	多行修饰符：锚点元字符 ^ $ 工作范围在每行的起始。

运算优先级

正则表达式从左到右进行计算，并遵循优先级顺序，这与算术表达式非常类似。

相同优先级的从左到右进行运算，不同优先级的运算先高后低。下表从最高到最低说明了各种正则表达式运算符的优先级顺序：

运算符	描述
\	转义符
(), (?:), (?=), []	圆括号和方括号
*, +, ?, {n}, {n,}, {n,m}	限定符
^, $, \任何元字符、任何字符	定位点和序列（即：位置和顺序）
\		替换，”或”操作 字符具有高于替换运算符的优先级，使得”m\	food”匹配”m”或”food”。若要匹配”mood”或”food”，请使用括号创建子表达式，从而产生”(m\	f)ood”。

零宽度断言

先行断言和后发断言都属于非捕获簇（不捕获文本 ，也不针对组合计进行计数）。 先行断言用于判断所匹配的格式是否在另一个确定的格式之前，匹配结果不包含该确定格式（仅作为约束）。

?=... 正先行断言

?=... 正先行断言，表示第一部分表达式之后必须跟着 ?=...定义的表达式。

返回结果只包含满足匹配条件的第一部分表达式。 定义一个正先行断言要使用 ()。在括号内部使用一个问号和等号： (?=...)。

正先行断言的内容写在括号中的等号后面。 例如，表达式 (T|t)he(?=\sfat) 匹配 The 和 the，在括号中我们又定义了正先行断言 (?=\sfat) ，即 The 和 the 后面紧跟着 (空格)fat。

"(T|t)he(?=\sfat)" => The fat cat sat on the mat.

?!... 负先行断言

负先行断言 ?! 用于筛选所有匹配结果，筛选条件为 其后不跟随着断言中定义的格式。 正先行断言 定义和 负先行断言 一样，区别就是 = 替换成 ! 也就是 (?!...)。

表达式 (T|t)he(?!\sfat) 匹配 The 和 the，且其后不跟着 (空格)fat。

"(T|t)he(?!\sfat)" => The fat cat sat on the mat.

?<= ... 正后发断言

正后发断言 记作(?<=...) 用于筛选所有匹配结果，筛选条件为 其前跟随着断言中定义的格式。 例如，表达式 (?<=(T|t)he\s)(fat|mat) 匹配 fat 和 mat，且其前跟着 The 或 the。

"(?<=(T|t)he\s)(fat|mat)" => The fat cat sat on the mat.

?<!... 负后发断言

负后发断言 记作 (?<!...) 用于筛选所有匹配结果，筛选条件为 其前不跟随着断言中定义的格式。 例如，表达式 (?<!(T|t)he\s)(cat) 匹配 cat，且其前不跟着 The 或 the。

"(?<!(T|t)he\s)(cat)" => The cat sat on cat.

贪婪和惰性匹配（Greedy vs lazy ）

* 匹配>=0个重复的在*号之前的字符。

+ 匹配>=1个重复的+号前的字符。

? 标记?之前的字符为可选（0次或者1次）。

正则表达式默认采用贪婪匹配模式，在该模式下意味着会匹配尽可能长的子串。我们可以使用 ? 将贪婪匹配模式转化为惰性匹配模式。

To be continued...

示例 1

提取以下文本内容中的emoji表情

<div class="col"><div class="emoji_card"><a href="/zh-hans/emoji/%F0%9F%90%AE" class="emoji_font">🐮</a><a href="/zh-hans/emoji/%F0%9F%90%AE" class="emoji_name truncate">奶牛头</a><a class="emoji_symbol" data-clipboard-text="🐮">复制</a></div></div>
<div class="col"><div class="emoji_card"><a href="/zh-hans/emoji/%F0%9F%90%82" class="emoji_font">🐂</a><a href="/zh-hans/emoji/%F0%9F%90%82" class="emoji_name truncate">公牛</a><a class="emoji_symbol" data-clipboard-text="🐂">复制</a></div></div>

示例 2

删除resource_path(),保留os.path.join(“audios”, “j.mp3”)

resource_path(os.path.join("audios", "j.mp3"))

reference

1.learn-regex

2.正则表达式-教程