/ 0x0、引言 /
正则表达式 → 没有一个开发仔会对这个词陌生吧？没印象的话，想想你是如何判断身份证、手机号码是否合法的？
灵魂拷问：有自己写过正则表达式吗？
可能的回答：
没有，语法看着很难，外星文一样的字符串，看不懂，常规业务用到的正则表达式，网上都有，没必要自己写。
有写好的直接Copy，没毛病，毕竟笔者也是这样，不过不变的是变化，问题来了，假如网上的正则表达式的匹配结果不尽人意、项目中有特殊字符串匹配需求时。
没得抄了，咋整？只能硬着头皮自己写了，一想到那看似枯燥难懂的语法，你：
莫慌，正则真不难，你可以永远相信杰哥，就让这篇短小精悍的文章助你上手正则表达式，然后一脚踢开这只拦路虎。
Tips：本节代码示例基于Python的re库编写，虽大部分编程语言的正则库都是师从 Perl语言，语法基本一样，但也可能略有差异~
/ 0x1、简介与亿点点学习经验 /
正则表达式 (Regular Expression) → 一门为了字符串模式匹配，从而实现搜索和替换功能的工具。
简单点说：
Talk is cheap，平时老说正则表达式，字符串匹配的神器，到底有多神，写个简单例子体验下~
有下面这样一串字符串，让你查找当中所有的数字，你会怎么做？
sdfk似懂123非懂就35了框架89路径考669虑看路径
不用正则的话，一种常见的简单思路。遍历每个字符，执行判断，数字拼接，非数字跳过，代码示例如下：
sentence = "sdfk似懂123非懂就35了框架89路径考669虑看路径"
number_dict = {} # 键为数字字符串、值为下标
temp_str = ""
for index, character in enumerate(sentence):
# 判断是否为数字，是追加
if character.isnumeric():
temp_str += character
else:
if len(temp_str) > 0:
number_dict[temp_str] = index
temp_str = ""
continue
print(number_dict)
# 运行输出结果如下：
{'123': 9, '35': 14, '89': 19, '669': 25}
而使用正则，只需写一个匹配表达式 d+，即可实现同样的匹配结果，代码示例如下：
import re
sentence = "sdfk似懂123非懂就35了框架89路径考669虑看路径"
results = re.finditer(r'd+', sentence)
if results is not None:
for result in results:
print(result)
# 运行输出结果如下：
<re.Match object; span=(6, 9), match='123'>
<re.Match object; span=(12, 14), match='35'>
<re.Match object; span=(17, 19), match='89'>
<re.Match object; span=(22, 25), match='669'>
不要简单太多，此时再来需求说，字母也要匹配，遍历的方法还要去改循环逻辑，而正则直接改表达式即可~
Tips：写起来是爽，但性能可能没有遍历的方式好，下面说到正则的性能问题就知道了~
开始讲解正则的具体语法前，share一波自己学正则表达式的心得，毕竟自己也是从害怕它过来的~
① 不要有畏难情绪，越怕越学不会，都是死知识的组合而已，远没有算法难！
② 降低预期，不要上来就想着写出那种贼牛逼的正则表达式，先写出能用就好的正则，后面再慢慢优化，大佬的正则也是经过大量尝试推演出来的；
③ 反复练习，看懂语法谁不会，得去练，加深印象，没机会练习的话，就自己找，安利两个练手方向：
方向一：查找满足条件的网页结点或文本
直接Chrome浏览器，F12打开开发者工具 → 切换到Source选项卡 → Ctrl + Shift + F，输入正则表达式，如：
方向二：推敲网上常用的正则表达式模板
分析下别人为什么那样写，弄点测试样本，自己试着写出来，多写几遍。不要不放过每个可以锻炼自己写正则的机会，只看不练，过不了几天，你的正则姿势就都还给杰哥了，另外，安利一个可视化正则表达式的神器：regexper。
另外，临时的正则校验工具，直接搜索引擎搜关键 在线正则表达式 ，网上一堆。万事具备，开始讲解正则具体的语法姿势了，冲！！！
/ 基础语法 /
完整的正则表达式由两种字符构成：
① 最简单的匹配
没有特殊语义，普通字符一一对应，比如想在”Hello Python”字符串中查找”tho”，直接用 ‘tho’ 这个正则就好；
② 如何匹配特殊字符？
正则中的点 . 是特殊字符，用于匹配任意一个字符（除n外），如果想把它当成普通字符串对待，即匹配一个点，需要用到转义字符 → 反斜杠。放在特殊字符前，让其失去原本的特殊语义，比如：. 就变成单纯地匹配点(.)了；
罗列一波特殊字符元字符：
③ 数量
只使用上述元字符，只能匹配单个字符，想匹配多个字符还得搭配下述元字符：
Tips：尽量使用*+?，因为做了优化，相比起{m}{m,}{m,n}速度更快。
④ 集合与区间
当我们想匹配多个字符中的一个，比如匹配26个小写字母，得怎么写？下面这样吗？
a|b|c|d|e|f|g|h|...太长省略
如果还得匹配26个大写字母呢？拼接一堆或操作符，繁琐得一匹，可以使用集合与区间元字符来简化，有下面这些：
⑤ 位置边界
在查找过程中，有时我们还得限制查询的位置，比如只想在单词的开头或结尾查找字符，可以用下面这些元字符：
/ 手撕验证手机号码格式的正则 /
光说不练假把式，光练不说傻把式，又练又说真把式，欲速则不达，学完基础语法，先写个例子练练手，找找感觉~
如题，手撕验证手机号码格式的正则，怎么玩？可以把一个正常的手机号码拆成三个部分写正则，最后再拼起来~
① 号码前缀
要么要么，要么有的话只有一个，用？接着取值的话可能是下面这三种：
不难写出这样的正则：(0|86|17951)?，圆括号代表子表达式，你可以先理解成分组，等下会详细讲~
② 1xx
接着到1xx，有这几种：13x、14x、15x、17x、18x，然后后面的x对应的取值范围是不一样的：
看着很复杂？其实不然，用好 | 和集合与区间元字符就好，根据规则不难写出这样的正则：(13[0-9]|14[579]|15[0-35-9]|17[01678]|18[0-9])
③ 剩下的8个数字
数字就行，想都不用想直接写出：(d{8})，最后拼接下三段正则：
(0|86|17951)?(13[0-9]|14[579]|15[0-35-9]|17[01678]|18[0-9])(d{8})
接着搜索引擎搜下 手机号码大全，随手点开一个站点，F12 → Source 输入上述正则查下看看：
可以，匹配到了，但是好像也匹配了一些奇怪的东西，比如上面的 921-xxx.html，简单，加上$匹配一行结束即可~
例子刷完了，简单吧！接着继续了解正则的高级语法~
/ 高级语法 /
说是高级也不见得有多高级，只是得稍微动下脑子而已~
① 分组
就是使用一对圆括号()包裹子表达式，它是构成高级正则表达式的基础。如果没用到后续的语法，分不分组其实是一样的~
② 反向引用
又称回溯引用，指的是：模式的后面内容，引用前面已经匹配到的子字符串。有点懵？写个简单例子帮助理解，现在有这样一段字符串：
pineapple peach plum watermelon durian durian grape mango strawberry strawberry chestnut
想匹配两个连续相同的单词，可以这样写正则：
所以反向引用的语法就是：第几个子字符串，反向引用在替换字符串的场景很常用。替换时语法上有些许差异，一般使用 g 来引用要被替换的字符串。以之前文章替换字符串部分内容为例~
Markdown语法的图片URL，被一个换行符n分割成了两行，又不能全局替换n，因为会影响其他文本的格式，只替换这种异常的图片URL，利用反向引用就可以做到。
error_pic_pattern_n = re.compile(r'(http.*?)(n)(.*?.w+))', re.M)
# 就是划分成了三个分组(子表达式)，然后把1、3分组拼接结果作为替换结果
new_content = error_pic_pattern_n.sub(r"gg", new_content)
反向引用，就这？就拿子表达式的匹配结果乱玩而已？是的，就是这么简单~
另外，如果不想子表达式被引用，可以使用非捕获正则 → (?:子表达式)，这样玩还可以避免浪费内存~
③ 前/后向查找
又称前/后向段言、顺序/逆序环视、前瞻后顾等，又是些牛马专业名词？
不急，写个简单例子帮助理解它得玩法，打开苹果官网识别您的 iPhone 机型。现在有个这样的需求：
想看下iphone 11、12、13都有哪些机型，要求写个正则筛一波。先写个能提取所有机型的正则吧：
iPhone .*?
可以拿到机型，但是原需求只想筛11、12、13的机型，什么XS、XR的不感兴趣，这个时候就可以上向前肯定断言(?=) 了。改完后的正则：
iPhone (?=13|12|11).*?
可以，除了11、12、13，其他型号的阿猫阿狗都没匹配到，不难看出前向肯定断言(?=re) 在这里的作用就是先找到满足断言里子表达式 → 13|12|11 的位置，然后在这个位置往前找匹配 iPhone 的字符串；
这个顺序很关键哈！！！先找断言里的子表达式，再找前面的表达式，这一点，很多教程都说得不清不楚！！向前肯定断言的玩法了解了，其他三种断言也就一点就通了：
读者可以自行试试下述例子加深理解：
# 前向否定断言，看11、12、13外的机型 iPhone (?!11|12|13).*?
# 后向肯定断言，看下有Plus系列的机型有哪些iPhone .*?(?<=Plus)
# 向后否定断言，看下没Plus系列的机型有哪些iPhone .*?(?<!Plus)
限于篇幅就不贴结果图了哈，再说两个个要注意的点哈：
① 断言里的子表达式，不消耗字符！不会影响你外部正则表达式的匹配！！！
② 前瞻后顾在某些语言或环境下可能不支持，使用时要谨慎验证支持情况哈！！！
④ 贪婪与非贪婪
正则匹配默认是贪婪匹配，即匹配尽可能多的字符~
简单得很，写个例子你就懂了：
re.match(r'^(d+)(0*)$','12345000').groups()
# 原意是想得到('12345', '000')这样的结果的，但输出的却是：('12345000', '')
# 由于贪婪匹配，直接把后面的0都给匹配了，结果0*没东西匹配了
# 若果想尽可能少的匹配，可在d+后加上一个问号?，采用非贪婪匹配，改成介样：
re.match(r'^(d+?)(0*)$','12345000').groups()
# 输出结果：('12345', '000')
/ 背后的原理 /
这Part选读哈，不感兴趣可以跳过，多熟悉熟悉上面的正则语法就行了，笔者想弄清楚正则表达式背后原理的原因：
网上很多文章都说到，正则表达式令人诟病的性能问题，但却很少人说清具体是什么问题？怎么引起的？如何规避优化~
下述图片和内容大部分来源于：《正则表达式引擎执行原理——从未如此清晰！》
① 正则表达式的工作流程
这里的预编译指的是提前初始化好正则对象，如Python中的re库，建议调用 re.compile(patter) 预编译返回Pattern对象，后续用到正则的地方直接引用；预编译的方式，在循环中，用同一个正则进行匹配的场景有奇效（避免重复创建、编译）。
② 引擎
程序对正则表达式进行语法分析，建立语法分析树，再根据分析树结合正则表达式引擎生成执行程序（状态机、又称状态自动机）用于字符匹配。
这里的引擎就是一套 用于建立状态机的核心算法，主要分为下述两大类：
拆词：
对比：
DFA自动机是如何进行匹配的？
要点：
NFA自动机是如何进行匹配的？
要点：
③ NFA自动机的回溯问题
上述回退专业术语叫回溯，原理类似于走迷宫时走过的路设置一个标志物，不对原路返回，换成另一条路。
回溯机制不但要重新计算正则表达式和文本的对应位置，还需要维护括号子表达式所匹配的文本状态，保存到内存中以数字编号的组中，这个组也叫捕获组。
捕获组保存括号内的匹配结果，后面的正则表达式中可以使用，就是上面说到的反向引用。还不是很理解？画个简单的回溯流程示意图~
content_str = "HELLO"
content_regex = "HEL+O"
不难看出，回溯问题的导火索就是贪婪匹配，吃得多，要吐的也多，如果匹配的文本长度几W，引擎可能就要回溯几w次。
如果碰到复杂的正则表达式，有多个部分要回溯，那回溯次数就是指数级别。比如文本长度为500，表达式有两部分要回溯，次数可能就是500^2=25w次了。够呛的…
④ 优化
优化的方向：减少引擎回溯次数 + 更快更直接地匹配到结果。
1) 少用贪婪模式
可使用非贪婪模式（加?，会首先选择最小的匹配范围）和独占模式（加+，不匹配结束匹配，不回溯）来避免回溯。
2) 减少分支选择
少用，一定要用的话可通过下述几种方式优化：
3) 使用非捕获型括号
一般一个()就是一个捕获组，如果不需要引用括号中的文本，可使用非捕获组 (?:er)，既能减少捕获时间，又能减少回溯使用的状态数量。
4) 一些零碎的优化点
/ 小结 /
本节，系统过了一波正则表达式，从知道是什么，到语法，然后到原理，内容虽少，五脏俱全，希望能帮到想学正则的朋友，别再下次一定了，这次一定，学废 正则表达式~
常用的正则表达式模板网上有很多，菜鸟工具上还挺全，取需，就不搬运了~
再安利一个插件吧：any-rule，同样取需~
最后，附上Python中re模块的常用函数速查，有问题欢迎在评论区反馈，谢谢~
Python中re模块的常用函数
import re
# 将正则表达式编译成Pattern对象，好处：预编译+复用
test_pattern = re.compile(正则表达式字符串，标志位修饰符)
# 标志位修饰符(flags) 用于控制匹配模式，支持同时选择多个(|连接)，有下述这些：
#
# re.I IGNORECASE → 忽略大小写
# re.M MULTILINE → 多行匹配，影响^和$
# re.S DOTALL → 使.匹配包括换行在内的所有字符
# re.X VERBOSE → 忽略空白和注释，并允许使用'#'来引导一个注释
# re.U UNICODE → 根据Unicode字符集解析字符，影响w、W、b和B
# re.L LOCALE → 做本地化识别（locale-aware）匹配
# 匹配：尝试从字符串的开头进行匹配，匹配成功返回匹配对象，否则返回None
re.match(pattern, string, flags=0)
# 匹配：扫描整个字符串，返回第一个匹配对象，否则返回None；
re.search(pattern, string, flags=0)
# 检索：扫描整个字符串，匹配所有能匹配的对象，以列表形式返回；
re.findall(pattern, string, flags=0)
# 检索：同findall，匹配所有能匹配的对象，但是是以迭代器形式返回；
re.finditer(pattern, string, flags=0)参数
# 替换：将匹配的字符串替换为其他字符串，count为替换的最大次数，默认为0，替换所有。
re.sub(pattern, repl, string, count=0, flags=0)
# 分割：将匹配的字符串进行分割，返回列表，maxsplit为分割的最大次数，默认为0，分割所有。
re.split(pattern, string, maxsplit=0, flags=0)
# 分组：获取匹配结果中，每个分组匹配内容，可传入分组序号，不传整个匹配结果，传获取对应分组内容
pattern_result.group()
# 分组：从group(1)开始往后的所有值，返回一个元组
pattern_result.groups()
# 匹配的开始、结束位置
pattern_result.start() # 返回匹配的开始位置
pattern_result.end() # 返回匹配的结束位置
pattern_result.span() #返回一个元组，表示匹配位置(开始，结束)
# 加载正则表达式字符串前的'r'，如re.compile(r'xxx')，作用：
# 告知编译器这个str是raw string(原始字符串)，不要转义反斜杠，如r'n'是两个字符
# 反斜杠 + n，而不是换行！
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，一年会员只需98元，全站资源免费下载 点击查看详情
站 长 微 信： lzxmw777
