正则表达式在网络爬虫、数据分析中有着广泛使用，掌握正则表达式能够达到事半功倍的效果。本文详细介绍正则表达式中各种规则及其符号含义，并结合Python中的Re库进行演示，由浅入深，即学即练即用，内容丰富，非常适合初学者。

正则表达式（regular expression）就是用一组由字母和符号组成的“表达式”来描述一个特征，然后去验证另一个“字符串”是否符合这个特征。比如表达式“xy+” 描述的特征是“一个 ‘x’和 至少一个 ‘y' ”，那么‘xy',‘xyy',‘xyyyyyyy'都符合这个特征。

正则表达式主要应用场景

验证字符串是否符合指定特征，比如验证用户名或密码是否符合要求、是否是合法的邮件地址等；

用来查找字符串，从一个长的文本中查找符合指定特征的字符串，比查找固定字符串更加灵活方便；

用来替换，比普通的替换更强大。

正则表达式的规则

（1）普通字符

字母、数字、汉字、下划线、以及没有特殊定义的标点符号，都是"普通字符"。表达式中的普通字符，在匹配一个字符串的时候，匹配与之相同的一个字符。

例1：表达式 “c”，在匹配字符串 “abcde” 时，匹配结果是：成功；匹配到的内容是：“c”；匹配到的位置是：开始于2，结束于3。（包含开始位置，不包含结束位置）例2：表达式"bcd"，在匹配字符串"abcde"时，匹配结果是：成功；匹配到的内容是："bcd"；匹配到的位置是：开始于1，结束于4。

（2）转义字符

一些不便书写的字符，采用在前面加“\” 的方法。例如制表符、换行符等；

一些有特殊用处的标点符号，在前面加“\” 后，代表该符号本身。例如{,}, [, ], /,

    \, +, *, ., $, ^, |, ? 等；

转义字符的匹配方法与“普通字符”类似，也是匹配与之相同的一个字符。

例如：表达式 "\$d"，在匹配字符串 "abc$de" 时，匹配结果是：成功；匹配到的内容是："$d"；匹配到的位置是：开始于3，结束于5。

（3）能够与 '多种字符' 匹配的表达式

正则表达式中的一些表示方法，可以匹配 ‘多种字符’ 中的任意一个字符。例如，表达式"\d" 可以匹配任意一个数字。虽然可以匹配其中任意字符，但是只能是一个，不是多个。

例如：表达式 "\d\d"，在匹配 "abc123" 时，匹配的结果是：成功；匹配到的内容是："12"；匹配到的位置是：开始于3，结束于5。

（4）自定义能够匹配 '多种字符' 的表达式

使用方括号 [ ] 包含一系列字符，能匹配其中任意一个字符。用 [^ ] 包含一系列字符，则能匹配其中字符之外的任意一个字符。虽然可以匹配其中任意一个，但是只能是一个，不是多个。

例如：表达式 "[bcd][bcd]" 匹配 "abc123" 时，匹配的结果是：成功；匹配到的内容是："bc"；匹配到的位置是：开始于1，结束于3。

（5）修饰匹配次数的特殊符号

例如：表达式 "\d+\.?\d*" 在匹配 "It costs $12.5" 时，匹配的结果是：成功；匹配到的内容是："12.5"；匹配到的位置是：开始于10，结束于14。

（6）一些代表抽象意义的特殊符号

例1：表达式 "^aaa" 在匹配 "xxxaaaxxx" 时，匹配失败。因为 "^" 要求与字符串开始的地方匹配，只有当 "aaa" 位于字符串的开头的时候，"^aaa" 才能匹配，比如："aaaxxxxxx"。例2：表达式 "aaa$"在匹配 "xxxaaaxxx" 时，匹配失败。因为"$" 要求与字符串结束的地方匹配，只有当"aaa"位于字符串的结尾的时候，"aaa$"才能匹配，比如："xxxxxxaaa"。

例3：表达式 "Tom|Jack"在匹配字符串 "I'mTom, he is Jack" 时，匹配结果是：成功；匹配到的内容是："Tom"；匹配到的位置是：开始于4，结束于7。匹配下一个时，匹配结果是：成功；匹配到的内容是："Jack"；匹配到的位置时：开始于15，结束于19。例4：表达式 "(go\s*)+"在匹配 "Let'sgo gogo!"时，匹配结果是：成功；匹配到内容是："gogogo"；匹配到的位置是：开始于6，结束于14。

例5：表达式 "￥(\d+\.?\d*)"在匹配 "＄10.9,￥20.5"时，匹配的结果是：成功；匹配到的内容是："￥20.5"；匹配到的位置是：开始于6，结束于10。单独获取括号范围匹配到的内容是："20.5"。

思考题：写出满足下列要求的正则表达式

仅含6位数字的字符串

18位身份证号码（最后一位可能包含X）

密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)

匹配次数中的贪婪与非贪婪

在使用修饰匹配次数的特殊符号时，如“?”,“*”, “+”等，可以使同一个表达式能够匹配不同的次数，具体匹配的次数随被匹配的字符串而定。这种重复匹配不定次数的表达式在匹配过程中，总是尽可能多的匹配，这种匹配原则就叫作"贪婪" 模式 。例如，针对文本“dxxxdxxxd”，下列表达式匹配结果如下。

在修饰匹配次数的特殊符号后再加上一个"?" 号，则可以使匹配次数不定的表达式尽可能少的匹配，使可匹配可不匹配的表达式，尽可能的 "不匹配"。这种匹配原则叫作"非贪婪" 模式。如果少匹配就会导致整个表达式匹配失败的时候，与贪婪模式类似，非贪婪模式会最小限度的再匹配一些，以使整个表达式匹配成功。例如，针对文本“dxxxdxxxd”，下列表达式匹配结果如下。

Python中的正则表达式库 - re

·re库是Python的标准库，不需要额外安装，主要用于字符串匹配

·调用方式：import re

·re 库采用raw string类型表示正则表达式，rawstring是不包含对转义符再次转义的字符串。例如:r'[1‐9]\d{5}’

·re库也可以采用string类型表示正则表达式，但更繁琐，例如“'[1‐9]\\d{5}'”

·当正则表达式包含转义符时，建议使用raw string

re库的主要功能函数

注意group()和groups()的区别，一个是返回匹配的字符串，一个是返回各部分匹配内容组成的元组。当表达式中没有圆括号时，groups()返回的是空元组，当存在圆括号时，有几个圆括号groups()返回的元组里就有几个元素。

正则表达式案例-验证用户名

编写程序实现下述功能，提示用户输入用户名，要求用户名以字母开头，长度不少于3位，只能包含字母、数字、下划线，如果用户输入符合要求，则提示注册成功，否则提示用户名不符合要求，请重新输入，一直循环直到用户名符合要求为止。程序执行效果如下图所示。

参考代码如下：

import

re 

# 导入正则表达式库

name

=

input("请输入用户名，以字母开头，长度不少于3位，只能包含字母、数字、下划线:") 

# 提示用户输入

match

=

re.match(r"^[a-zA-Z]\w{2,}$",

name) 

# 验证输入是否符合要求

while

match

is

None: 

# 如果不符合要求，则循环

print("用户名不符合要求，请重新输入：",

end=" ") 

# 提示用户名不符合要求

name

=

input() 

# 重新获取用户输入

match

=

re.match(r"^[a-zA-Z]\w{2,}$",

name) 

# 验证输入是否符合要求

print("恭喜你， {} ，注册成功!".format(name))  # 提示注册成功

思考：

正则表达式前面的^能够省略？为什么？

正则表达式最后的$能否省略？为什么？

有没有其它等价的正则表达式写法？

正则表达式案例-编程语言排行

数据来源:https://www.tiobe.com/tiobe-index/网页源代码，保存到”编程语言排行.txt”文件。

部分内容截图如下，排行前十的编程语言数据存放在series属性里，每项编程语言包含名称（name）和数据（data）两部分内容，其中data部分包含该编程语言各个月份编程语言所占比例，。

· import re # 正则表达式

· import csv # csv文件操作

· with open("编程语言排行.txt", mode="r", encoding="utf-8") as fp: # 打开指定文件

· text = fp.read() # 读取文件内容

· content = " ".join(re.findall(r"series: (.*?)\}\);", text, re.DOTALL)) # 获取所有编程语言数据

· total_content = re.findall(r"({.*?})", content, re.DOTALL) # 获取各个编程语言的具体数据

· with open("lang.csv", mode="w", encoding="utf-8", newline="") as fp: # 对数据进行处理并保存到文件

· writer = csv.DictWriter(fp, ['name', 'value', 'date'])

· writer.writeheader() # 写入标题

· for item in total_content:

· name = " ".join(re.findall(r"name : '(.*?)'", item, re.DOTALL))

· temp_datas = re.findall(r"\[Date.UTC(.*?)\]", item, re.DOTALL) # 获取不同时间的热度信息

· for data in temp_datas:

· data = data.replace(" ", "").replace("(", "").replace(")", "")

· value = data.split(",")[-1] # 热度值

· date = data.split(",")[:-1] # 日期信息

· writer.writerow({"name": name, "value": value, "date": "{}-{:02d}-{:02d}".format(date[0], int(date[1]) + 1, int(date[2]))})

部分数据截图效果如下：

常用正则表达式

网址（URL）[a-zA-z]+://[^\s]*

IP地址(IP Address)((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

电子邮件(Email)\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*

QQ号码[1-9]\d{4,}

HTML标记(包含内容或自闭合)<(.*)(.*)>.*<\/\1>|<(.*) \/>

密码(由数字/大写字母/小写字母/标点符号组成，四种都必有，8位以上)(?=^.{8,}$)(?=.*\d)(?=.*\W+)(?=.*[A-Z])(?=.*[a-z])(?!.*\n).*$

日期(年-月-日)(\d{4}|\d{2})-((1[0-2])|(0?[1-9]))-(([12][0-9])|(3[01])|(0?[1-9]))

日期(月/日/年)((1[0-2])|(0?[1-9]))/(([12][0-9])|(3[01])|(0?[1-9]))/(\d{4}|\d{2})

时间(小时:分钟, 24小时制)((1|0?)[0-9]|2[0-3]):([0-5][0-9])

汉字(字符)[\u4e00-\u9fa5]

中文及全角标点符号(字符)[\u3000-\u301e\ufe10-\ufe19\ufe30-\ufe44\ufe50-\ufe6b\uff01-\uffee]

中国大陆固定电话号码(\d{4}-|\d{3}-)?(\d{8}|\d{7})

中国大陆手机号码1\d{10}

中国大陆邮政编码[1-9]\d{5}

中国大陆身份证号(15位或18位)\d{15}(\d\d[0-9xX])?

非负整数(正整数或零)\d+

正整数[0-9]*[1-9][0-9]*

负整数-[0-9]*[1-9][0-9]*

整数-?\d+

小数(-?\d+)(\.\d+)?

不包含abc的单词\b((?!abc)\w)+\b