「正则表达式」的奇幻漂流之旅
共 3398字，需浏览 7分钟
·
2021-03-09 12:39
什么是正则表达式呢？
想象一下这样的场景:
1
你应该经常使用 「CTRL + F」在文本文件中搜索关键词，定位到自己想要看的地方。不过，有时候你可能并不一定记得你要搜索的具体内容。比如你只知道关键词的开头是「马」，结尾是「梅」，但就是不知道是「马什么梅」，如何快速搜索替换？
2
你在爬取页面的时候，得到的一堆 HTML 标签，但是你只是想拿到其中的关键文本信息，怎么快速剔除掉 HTML 标签，把自己想要的文本从里面提取出来呢？
3
如果你开发了一个网站，允许用户注册，但你要求用户注册的密码需要含有大小写字母和数字，怎么验证呢？又，如何屏蔽用户的违规言论呢？
4
你在使用命令行的时候，如何一步到位的管理相关的文件呢？比如 rm -rf * （咋这个目录下的文件都被删除了？）
...
你看，在这些场景中，我们都需要一个「东西」来「占位」，表达关键的信息，比如在场景 1 中，我们不知道具体叫 「马什么梅」，但是知道它中间一定是个字，那么我们可以制定一个规则，说：「以后这玩意【😊】就代表一个任意的中文字」。
😊 = 任意一个中文字
如果你的编辑器遵循了这一规则，知道【😊】就代表一个任意的中文字，那么我们接下来就可以根据这个规则，使用「马😊梅」进行快速匹配了。
所以其实，这个「东西」就是用来描述我们想要的规则的，对吧？
当然，你也知道，我们自己制定的「东西」，编辑器是不会听我们的，如果我们能够知道那些已经被大多数遵循了的「东西」，不就可以做到快速匹配我们想要的内容了吗？
这些被遵循的「东西」，就是正则表达式的元字符。
找到那些被遵循的「东西」
先认识「.」 和 「*」
这两玩意也许是我们最常用到的「东西」了，其中每个「.」用来表达的是「除了换行符以外的任何字符」，像这样：
标高亮的表示被匹配到的字符
一个「.」只能表达一个字符，那如果很多岂不是得点点点点点到天荒地老？所以其实我们不必要这样去用那么多点来匹配，我们可以在「.」后面使用 「*」，这样编辑器就知道：「哦，你要找的是0个或者多个『.』」：
所以，「.」是用来描述相关字符，而「*」用来描述匹配次数的。
和「.」一样
虽然这两玩意已经可以代表大多数内容了，但是对于一些具体的内容，比如数字，换行等，也有已经被遵循的「东西」，和「.」一样，常用到的有：
把这个看熟，你基本可以匹配大部分你需要的内容了，比如你要在这里只找到「handsome」这个词就可以这样：
匹配多个字母，数字，下划线：
只匹配字母：
反向匹配：
匹配回车：
你去玩几下就都熟悉了。
和 「*」 一样
我们知道 「*」代表的是匹配0次或多次。和 「*」 一样也有表示次数的，比如具体多少次，0次或一次：
转义
现在，你已经知道了常用的「东西」，它们都代表着一定的规则，但如果有时候文本出现了和「东西」一样的字符，怎么去匹配呢？
比如说，我们知道「.」是匹配除了换行外的所有字符，但如果文本就出现了「.」，我们只要匹配这个「.」，咋整？
我们可以使用转义字符，也就是在 「.」前面加一个 「\」，就说明我们是真的要找的是「.」:
当你在 「东西」前面加一个「\」，它就失去了功效，变回了原来的模样。
还会常用到这玩意「｜」
这个你应该很熟悉，就是「或」的意思，在 「｜」的两边，满足其一即可。
a|b 匹配 a 或者 b。
比如判断文件是不是图片类型，就可以这样：
^.*?.(gif|png|jpg)$
小试牛刀
现在，找到了这些「东西」，也知道了转义....现在我们来写一个正则表达式，匹配邮箱的规则吧。
我们知道，邮箱的格式是这样的：
xxxx@xxxx.xxx
我们可以发现，邮箱有两很明显的特征点：「@」和「.」，而在「@」和 「.」前面和后面可以是一个或多个「大小写字母或数字或下划线」。
我们可以从开始到结束的特征点写出来：
^[大小写字母或数字或下划线]+@[大小写字母或数字或下划线]+\.[大小写字母或数字或下划线]+$
替换成我们知道的「东西」：
^[a-zA-Z0-9_]+@[a-zA-Z0-9_]+\.[a-zA-Z0-9_]+$
好用的 （）
在这些「东西」里，（）能够进行分组，这对于我们在提取匹配我们关心的内容很有帮助，比如我们要提取这样的内容：
我们可以使用 （）对相关的匹配进行分组，这样得到多个分组（group1、group2、group3...）结果，这样可以很方便的从中提取内容，像这样：
.*? 和 .*
这两玩意都是匹配多个字符的「东西」，不过一个带了「？」一个不带，它们有什么区别呢？
.*? 表示的是非贪婪匹配
.* 表示的是贪婪匹配
啥意思呢？
举一个最简单的例子，比如我们有一个这样的文本：
abcdefghijkabcdefghijkabcdefghijkabcdefghijk
如果我们想从中提取 a 到 k 的内容，你可以发现，当我们「贪婪」的时候得到的结果就是这样的：
abcdefghijkabcdefghijkabcdefghijkabcdefghijk
「非贪婪」的时候，得到的结果就是这样的：
abcdefghijk
那么用在它们两身上，就是这样的，贪婪：
非贪婪：
意思就是这么个意思～
ok，这就是我常常会使用到的正则表达式，在 Python 中，有个 re 库可以专门操作这些玩意的，你可以到下面这个链接看到具体的解释：
https://docs.python.org/zh-cn/3/library/re.html
顺便，再给你推荐几个正则表达式可以参考的地方：
这里，有图文相关的正则表达式给你参考：
https://github.com/cdoco/common-regex
这里，可以让你校验自己写的正则：
https://regexr.com/
这里，有多个语言版本的正则表达式教程（如果你想更进一步了解反向引用，零宽断言的可以看看）：
https://github.com/ziishaned/learn-regex/blob/master/README.md
我在上面演示用到的插件，叫「Regex Matcher」。
ok，以上就是小编今天给你带来的分享，正则表达式算是基础且通用的技能了，希望对你有帮助，如果有的话，请拼命点赞分享赞赏一波，哈哈，那么我们下回见，peace！
推荐阅读:
入门: 最全的零基础学Python的问题 | 零基础学了8个月的Python | 实战项目 |学Python就是这条捷径
干货:爬取豆瓣短评，电影《后来的我们》 | 38年NBA最佳球员分析 | 从万众期待到口碑扑街！唐探3令人失望 | 笑看新倚天屠龙记 | 灯谜答题王 ｜用Python做个海量小姐姐素描图 ｜
趣味:弹球游戏 | 九宫格 | 漂亮的花 | 两百行Python《天天酷跑》游戏!
AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火，我用机器学习做个迷你推荐系统电影
年度爆款文案
点这里，直达菜鸟学PythonB站！！
