正则表达式可以使用一些预定义的字符、符号以及这些字符或符号的组合，组成一个规则串（规则串也称为模式串或正则式），然后使用这个规则串对需要处理的一段字符串进行匹配。如果这段字符串的内容和规则串能够匹配，则匹配成功，否则就匹配失败。正则表达式被经常使用在数据采集、搜索引擎、编译系统、文本编辑器等方面。

入门正则表达式

假如您要使用Python开发一个用户注册程序，需要验证用户输入的邮箱地址格式是否正确，该怎么编写这个程序呢？

要验证邮箱地址的格式是否正确，需要先弄清楚邮箱地址的格式规则，有了邮箱地址的格式规则，就可以编写正则表达式了。观察邮箱地址，发现每个邮箱地址都包含“@”字符。只有检测给出的邮箱地址是否包含“@”字符，就可以基本确定邮箱地址格式是否正确。如何判断一个字符串是否包含“@”字符呢？在Python语言中，可以使用成员运算符in来判断，不过在这里使用正则表达式来检测。

正则表达式就是一段字符串，这段字符串由一些预定义的字符、符号以及这些字符或符号组合而成。

先来认识预定义符号“[]”,这个符号是中括号，在中括号内可以包含一个或多个字符及符号构成的集合，当需要匹配的字符串包含中括号内的任意一个字符时，匹配就成功。

例如：匹配一个邮箱地址是否包含“@”符号，可以使用下面的正则表达式：

pattern = “[@]”

pattern是一个最简单的正则表达式，它使用了预定义的“[]”符号，在“[]”符号内包含一个“@”字符，使用该正则表达式可以匹配包含“@”字符的字符串，也可以用于检测邮箱地址是否包含“@”字符。

Python如何执行正则表达式?

Python提供了re模块用于执行正则表达式。re模块提供了两个主要的正则表达式执行函数，分别是match函数和search函数。match函数尝试从字符串的起始位置开始匹配，如果在起始位置匹配不成功的话，match函数返回None；search函数会扫描整个字符串，并返回第一个成功的匹配。

match函数和search函数都有三个相同的参数，参数如下表所示：

下面的代码使用match函数检测邮箱地址是否包含“@”字符，可以猜想一下，使用下面的代码能检测成功吗？

import re
# 正则表示式
pattern = "[@]"
# 使用re模块mach函数进行匹配
print(re.match(pattern, 'bianchen@163.com'))

上面的代码pattern是正则表达式，使用re模块的match函数匹配邮箱地址bianchen@163.com，验证邮箱地址是否包含“@”字符。前面说过，match函数尝试从字符串的起始位置开始匹配，如果在起始位置匹配不成功的话，match函数返回None。

再看下面的代码：

import re
# 正则表示式
pattern = "[@]"
# 使用re模块search函数进行查找
print(re.search(pattern, 'bianchen@163.com'))

在上面的代码中，使用了re模块的search函数。前面说过，search函数会扫描整个字符串，并返回第一个成功的匹配。因此使用search函数会匹配成功。执行结果如下所示：

<re.Match object; span=(8, 9), match='@'>

search函数匹配成功返回的结果是一个Match对象，Match对象提供了一些方法，以不同方式来获取匹配结果，后面会讲到Match对象。

search函数主要是应用正则表达式进行字符串查找操作，并不适合做验证邮箱地址格式的工作，我们还是要使用match函数进行邮箱地址格式的验证工作。

观察下面的邮箱地址：

bianchen@163.com
johy_1996820@yahoo.com
89299001@qq.com

发现每个邮箱地址都符合“名称@域名”规则，字符“@”在邮箱地址的“名称”和“域名”之间。进一步观察发现，邮箱地址名称只允许由英文字母、数字、下划线组成；域名只允许由英文字母、数字、下划线、“.”组成。

基于上述观察，在写正则表达式时，可以在符号“@”前面匹配任意多个符合邮箱名称规则的字符和符号，在符号“@”后面匹配任意多个符合邮箱域名规则的字符和符号。

下面给出的正则表达式可以验证邮箱地址格式的正确性：

pattern = "\w+[@][a-zA-Z0-9_]+(\.[a-zA-Z0-9_]+)"

这段正则表达式比前面的正则表达式复杂了许多，是不是感觉不太容易理解，这一长串字符和符号的组合都有什么含义呢？

首先，我们以字符串“[@]”为分隔串将正则表达式分为两部分。

第一部分是：

“\w+”

第二部分是：

“[a-zA-Z0-9_]+(\.[a-zA-Z0-9_]+)”

第一部分是匹配邮箱名称，前面说过邮箱名称由英文字母、数字、下划线组成。在正则表达式中，使用“\w”来匹配数字、字母和下划线，“\W”来匹配非数字、字母和下划线。

类似于“\w”、“\W”这种字符组合在正则表达式中也称为元字符，前面介绍的“[]”也是正则表达式的元字符，元字符使正则表达式具有处理能力。例如：“\w”元字符可以让正则表达式具备匹配数字、字母和下划线的能力。

元字符“\w”仅匹配单个数字、字母和下划线，如果需要匹配多个数字、字母和下划线，就需要用到正则表达式的元字符“+”，元字符“+”可以让前面的字符或子表达式匹配一次或多次。例如：“\w+”子表达式就具备匹配一个或多个数字、字母和下划线的能力。

第二部分是匹配邮箱域名，邮箱域名由英文字母、数字、下划线和“.”组成，邮箱域名分为前缀和后缀两部分，在前缀和后缀之间用“.”分隔。 “[a-zA-Z0-9_-]”表示匹配’a’-‘z’范围内的小写字母、’A’-‘Z’范围内的大写字母、数字0-9、下划线。“[a-zA-Z0-9_-]”等同于元字符“\w”。“[a-zA-Z0-9_-]+”等同于“\w+”。

“(\.[a-zA-Z0-9_]+)”是子表达式，子表达式内容使用一对小括号括起来，一对小括号也是正则表达式的元字符。括号内的“\.”用于匹配邮箱域名的“.”，其中元字符“\”是转义元字符，它把元字符后面的字符标记为特殊字符、文本等。例如：“\.”匹配单符号“.”,“\n”匹配单字符“n”。“[a-zA-Z0-9_]+”就不用解释了。

import re
# 正则表示式
pattern = "\w+[@][a-zA-Z0-9_]+(\.[a-zA-Z0-9_]+)"
# 使用re模块mathc函数进行匹配
print(re.match(pattern, 'bianchen@163.com'))

程序执行结果如下所示：

<re.Match object; span=(0, 16), match='bianchen@163.com'>

判断邮箱地址格式还有点小问题，修改一下上面的代码：

import re
# 正则表示式
pattern = "\w+[@][a-zA-Z0-9_]+(\.[a-zA-Z0-9_]+)"
# 使用re模块mathc函数进行匹配
print(re.match(pattern, 'bianchen@wy.163.com'))

在上面的代码中，需要验证的邮箱地址域名分为一级和二级域名，执行程序看上面的代码是否还能匹配成功。执行结果如下所示：

<re.Match object; span=(0, 15), match='bianchen@wy.163'>

从执行结果可以看出，邮箱地址并没有完全匹配。问题在于“(\.[a-zA-Z0-9_]+)”仅匹配一次域名的后缀，如果邮箱域名有多个域名后缀则只能匹配最前面一个。要解决这个问题，就需要“(\.[a-zA-Z0-9_]+)”重复匹配一次或多次，前面说过，正则表达式的元字符“+”可以让前面的字符或子表达式匹配一次或多次，在“(\.[a-zA-Z0-9_]+)”后面添加元字符“+”，就可以实现重复匹配一次或多次。修改上面的代码：

import re
# 正则表示式
pattern = "\w+[@][a-zA-Z0-9_]+(\.[a-zA-Z0-9_]+)+"
# 使用re模块mathc函数进行匹配
print(re.match(pattern, 'bianchen@wy.163.com'))

程序执行结果如下所示：

<re.Match object; span=(0, 19), match='bianchen@wy.163.com'>

正则表达式元字符

.

元字符“.”匹配除了换行符以外的的任意字符。如果指定了标签 DOTALL ，它将匹配包括换行符的任意字符。

^

元字符“^”匹配字符串的首个符号。如果设置了MULTILINE模式，也匹配换行后的首个符号。

$

元字符”$” 匹配字符串尾或者换行符的前一个字符。如果设置了 MULTILINE 模式匹配换行符的前一个字符。例如：foo 匹配 'foo' 和 'foobar' , 但正则 foo$ 只匹配 'foo'。

*

元字符”*” 对它前面的正则式匹配0到任意次重复， 尽量多的匹配字符串。例如：ab* 会匹配 'a'， 'ab'， 或者 'a'后面跟随任意个 'b'。

+

元字符“+”对它前面的正则式匹配1到任意次重复。例如： ab+ 会匹配 'a' 后面跟随1个以上到任意个 'b'，它不会匹配 'a'。

?

元字符“?” 对它前面的正则式匹配0到1次重复。例如：ab? 会匹配 'a' 或者 'ab'。

*?, +?, ??

元字符'*', '+'，和 '?' 都是贪婪的，它们在字符串进行尽可能多的匹配。

有时候并不需要这种行为。例如：正则式 <.*> 希望匹配 '<a> b <c>'的‘<a>’，它将会匹配整个字符串，而不仅是 '<a>'。在修饰符之后添加 ? 将使正则式以 非贪婪`方式或者最小方式进行匹配。 使用正则式 <.*?> 将会仅仅匹配 '<a>'。

{m}

元字符“{m}” 对其之前的正则式指定匹配 m 个重复；少于 m 的话就会导致匹配失败。例如： a{6} 将匹配6个 'a' , 但是不能是5个。

{m,n}

元字符“{m,n}” 对正则式进行 m 到 n 次匹配，在 m 和 n 之间取尽量多。

例如： a{3,5} 将匹配 3 到 5个 'a'。忽略 m 意为指定下界为0，忽略 n 指定上界为无限次。 例如：a{4,}b 将匹配 'aaaab' 或者1000个 'a' 尾随一个 'b'，但不能匹配 'aaab'。可以忽略m或n，但逗号不能省略。

{m,n}?

元字符“{m,n}?” 是对{m,n}的非贪婪模式，只匹配尽量少的字符次数。

例如：对于 'aaaaaa'， a{3,5} 匹配 5个 'a' ，而 a{3,5}? 只匹配3个 'a'。

\

元字符“\” 把该元字符后面的字符标记为特殊字符、文本等。

例如：例如：“\.”匹配单符号“.”,“\n”匹配单字符“n”、“\\n” 匹配换行符。

[]

元字符“[]” 把需要匹配的字符、数字、符号放置在“[]”内，正则会匹配“[]”内的任意一个字符、数字或符号。

(1)   “[]”内的字符可任意列出。例如：[amk] 匹配 'a'， 'm'， 或者 'k'。

(2)   “[]”内的字符可以是字符范围，字符范围通过通过用 '-' 将两个字符连起来。例如： [a-z] 将匹配任何小写ASCII字符， [0-5][0-9] 将匹配从 00 到 59 的两位数字， [0-9A-Fa-f] 将匹配任何十六进制数位。

（3）“[]”内要匹配一个字符 ']'，可以在它之前加上反斜杠。例如：[()\]{}]。 (...)

用于标记一个子正则式，子表达式的内容放置在小括号内。在Python中也称为组合，匹配完成后，组合的内容可以被获取。

例如：（ab?）就是一个子正则式或组合。

(?P<name>…)

命名的正则式组合，但是匹配到的子串组在外部是通过定义的 name 来获取的。组合名必须是有效的Python标识符，并且每个组合名只能用一个正则表达式定义，只能定义一次。

(?P=name)

在正则式中引用一个命名组合；它匹配前面那个叫 name 的命名组中匹配到的串同样的字串。

(?#…)

正则式内的注释，里面的内容会被忽略。

(?=…)

匹配括号内的…的内容。例如：Isaac (?=Asimov) 匹配 'Isaac '，只有在后面是 'Asimov' 的时候。

(?!…)

匹配 … 不符合的情况。例如：Isaac (?!Asimov) 只有后面 不 是 'Asimov' 的时候才匹配 'Isaac ' 。

(?<=…)

匹配字符串的当前位置，它的前面匹配 … 的内容到当前位置。

例如：(?<=abc)def 会在 'abcdef' 中找到一个匹配，因为后视会往后看3个字符并检查是否包含匹配的模式串。

包含的匹配模式串必须是定长的，意思就是 abc 或 a|b 是允许的，但是 a* 和 a{3,4} 不可以。(?<=abc)def ，并不是从 a 开始搜索，而是从 d 往回看的。该正则式主要用于 search() 函数。

\number

元字符“\number” 匹配数字代表的组合，每个括号是一个组合，组合从1开始编号。

例如： (.+) \1 匹配 'the the' 或者 '55 55', 但不会匹配 'thethe' (注意组合后面的空格)。

\A

元字符“\A” 只匹配字符串开始。

\b

元字符”\b” 匹配空字符串，但只在单词开始或结尾的位置。例如：'\bfoo\b' 匹配 'foo', 'foo.', '(foo)', 'bar foo baz' 但不匹配 'foobar' 或者 'foo3'。

\B

元字符“\B” 匹配空字符串，但不能在词的开头或者结尾。例如：'py\B' 匹配 'python', 'py3', 'py2', 但不匹配 'py', 'py.', 或者 'py!'。

\d

元字符“\d” 匹配任何Unicode十进制数, 如果设置了 ASCII 标志，就只匹配 [0-9]。

\D

元字符“\D” 匹配任何非十进制数字的字符。如果设置了 ASCII 标志，就相当于 [^0-9]。

\s

元字符“\s” 对于 Unicode字符串，匹配任何空白字符。如果 ASCII 被设置，就只匹配 [ \t\n\r\f\v]。

\S

元字符“\S” 匹配任何非空白字符。如果设置了 ASCII 标志，就相当于 [^ \t\n\r\f\v] 。

\w

元字符“\w” 匹配Unicode词语的字符，包含了可以构成词语的绝大部分字符，也包括数字和下划线。如果设置了 ASCII 标志，则匹配 [a-zA-Z0-9_] 。

\W

元字符“\W” 匹配非单词字符的字符。这与 \w 正相反。如果设置了 ASCII 标志，等价于 [^a-zA-Z0-9_]。

\Z

元字符“\Z” 只匹配字符串尾。

 正则表达式标志

re模块定义了一些正则标志，用来设置正则表达式的匹配特性。例如：设置被匹配的字符串是Unicode编码，还是ASCII编码。

re.A
re.ASCII

标志A和ASCII等价，让 \w, \W, \b, \B, \d, \D, \s 和 \S 元字符只匹配ASCII，而不是Unicode。

re.M
re.MULTILINE

标志M和MULTILINE等价，设置以后，样式字符 '^' 匹配字符串的开始，和每一行的开始（换行符后面紧跟的符号）；样式字符 '$' 匹配字符串尾，和每一行的结尾（换行符前面那个符号）。默认情况下，’^’ 匹配字符串头，'$' 匹配字符串尾。

re.S
re.DOTALL

标志S和DOTALL等价，让元字符 '.' 匹配任何字符，包括换行符；如果没有这个标记，'.' 就匹配 除了 换行符的其他任意字符。

re.X
re.VERBOSE

标志X和VERBOSE等价，这个标记允许你编写更具可读性更友好的正则表达式。通过分段和添加注释。

原始字符串标记

当在正则表达式需要匹配一个反斜杠“\”字符时，它必须在正则表达式中进行转义，需要须用 "\\\\"来表示一个反斜杠“\”字符。

原始字符串标记，就是在字符串前面加一个小写字母r，r不包含在字符串内。例如： r"\\"表示一个反斜杠“\”字符。

下面的两个正则表达式是同样的意思：

>>> import re
>>> re.match(r"\\", r"\\")
<re.Match object; span=(0, 1), match='\\'>
>>> re.match("\\\\", r"\\")
<re.Match object; span=(0, 1), match='\\'>