Python正则表达式高级用法：非贪婪、分组与断言详解

正则表达式基础与应用场景

正则表达式是一种以简洁直观的方式匹配特定文本信息的工具，主要用于执行查找、替换等操作。凭借其高效且简洁的特性，正则表达式在数据分析和数据验证领域得到了广泛应用。

对于基础的正则表达式，用户可以直接通过搜索引擎获取相关信息。本文的重点在于介绍一些较为特殊且高级的操作技巧。

非贪婪模式详解

1. 非贪婪模式 - {x,y}?

非贪婪模式指的是在正则匹配过程中，尽可能少地匹配字符（默认情况下为贪婪模式，即尽可能多地匹配）。例如：

>>> re.search(r'[\d]{2,5}?','091234568')

<_sre.SRE_Match object; span=(0, 2), match='09'>

在上述例子中，{2,5}? 表示匹配2到5个数字字符，只要满足最少数量2即可。接下来对比贪婪模式：

>>> re.search(r'[\d]{2,5}','091234568') <_sre.SRE_Match object; span=(0, 5), match='09123'>

此时，匹配2到5个数字字符时，默认会匹配最多的5个字符。

注意：贪婪模式与非贪婪模式的区别仅在于重复操作符后是否带有问号（?）字符。

正则分组与反向引用

2. 分组

正则表达式提供了一种机制，可以将表达式划分为多个组，匹配结果也会按照这些组进行单独分组。例如：

>>> m = re.search(r'(\d{3})-(\d{5})','029-25642')
>>> m.group()
'029-25642'
>>> m.groups()
('029', '25642')
>>> m.group(2)
'25642'

可以通过 m.groups() 查看分组匹配结果，通过 m.group(index) 查看具体编号的分组结果（编号从1开始，0代表完整匹配）。那么分组有什么用呢？看似没有特殊含义，但稍后会有实际应用。

3. 引用分组（回溯） - \N

假设需要找出HTML文本中所有成对的 <a></a> 标签，该如何操作？尝试以下方法：

>>> re.search(r'<(\w+)>.+</(\w+)>','<a>this is a demo</e>') <_sre.SRE_Match object; span=(0, 21), match='<a>this is a demo</e>'>

这里出现了一个奇怪的现象：<a></e> 竟然被匹配成功了，这显然不是我们想要的结果。那么，如何只匹配 <a></a> 而过滤掉其他不匹配的标签（如 <a></e>）呢？答案就是使用引用分组，例如：

>>> re.search(r'<(\w+)>.+</\1>','<a>this is a demo</e><p>demo two</p>') <_sre.SRE_Match object; span=(21, 36), match='<p>demo two</p>'>

这里的 \1 是关键，它表示当前位置匹配的结果必须与第一个分组匹配的结果一致，或者说期望第一个分组的匹配结果在此处再次出现。以此类推，该方法最多只能匹配前99个分组。

分组命名技巧

4. 分组命名 - (?P<name>.*)

分组命名最初由Python引入，例如在Django路由中经常使用。分组命名的优势在于便捷，直接使用名字比使用编号更简单且不易出错，例如：

>>> m = re.search(r'(?P<first_name>\d{3})-(?P<second_name>\d{4})','029-8967')
>>> m.group('first_name')
'029'
>>> m.groupdict()
 {'first_name': '029', 'second_name': '8967'}

当然，命名分组本质上仍然是编号分组，依然可以使用编号来查找分组。

5. 先行断言 - X(?!Y)、X(?=Y)

先行断言应用

假设存在这样一种情况：需要查找所有163邮箱的文本，即以@163.com结尾的所有email账号信息。也就是说，不需要将@163.com这部分作为匹配结果返回，但它需要参与匹配过程。这就用到了先行断言，即基于后续内容是否存在来决定是否接受一个匹配，而不需要将后续内容作为匹配的一部分。例如：

>>> re.search(r'h(?!e)','hello home!') <_sre.SRE_Match object; span=(6, 7), match='h'>

h(?!e) 表示匹配h，且h后面不能是e。此处匹配成功的是home，但只返回h。

>>> re.search(r'h(?=e)','hello home!') <_sre.SRE_Match object; span=(0, 1), match='h'>

h(?=e) 表示匹配he，此处匹配成功的是hello，但只返回h。

常用正则标记参数

6. 标记

• 不区分大小写：re.IGNORECASE（简写re.I）- 使得正则表达式不区分大小写
• 点匹配换行符：re.DOTALL（简写re.S）- 使得 . 符号可以匹配换行符
• 多行模式：re.MULTILINE（简写re.M）- 使得^$字符可以匹配任意行的开始与结束
• 详细模式：re.VERBOSE（简写re.X）- 使得正则表达式可以换行书写，且可以加入注释
• 调试模式：re.DEBUG- 将调试信息输出到sys.stderr
• 使用多个标记时，使用|分隔，如re.S|re.M

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。