有些正则表达式的不经常用到就会忘记，整理一下，再用到的时候也好便于查询。

零宽度断言

也叫做边界，边界不匹配也不消耗任何字符，只匹配位置。具体的位置有下面几种情况：

1. 一行的开始或者结束，一串字符串的开始或者结束

   ^匹配一行的开始，$匹配一行的结束。

   ^test.*on$将会匹配第一行，不会匹配第二行，因为这里的正则表达式匹配以test为开头的，on为结束的字符串。

   

2. 单词的边界，匹配一个单词的二侧

   \b匹配一个单词边界，\B匹配一个非单词边界。

   \bregular\b匹配第一行regular单词二侧的边界，不会匹配第二行regularly，因为后缀ly之后才是这个单词的边界，所以不会匹配。

   

   \bregular\B这个表达式意思是regular左边需要是一个单词边界，而右边必须是一个非单词边界，这样就会匹配第二行字符串的regularly的部分字符。

   

   像Vim编辑器里匹配单词边界的符号是\<和\>，在Vim编辑器我们经常进行查找与替换操作，这个边界匹配就比较有用了，例如，在一大段字符串中想把the这个房间都替换成they，我们会这么敲命令:

   1	:%s/\<the\>/they/g

   这样就能把所有当前buffer中所有the替换为了they，但是如果不加边界修饰，像下面这样写:

   1	:%s/the/they/g

   这样的确也会把the替换为they，但是类似them这种单词会被替换为theym这样，因为没有边界修饰，the只会匹配所有the这样的字符串，并不是只匹配the这个单词。

3. 字符串字面值限制

   \Q和\E之间的所有字符串都会当做普通的字符串字面值来处理，包括正则表达式的元字符也会被直接匹配，不需要特殊的转义。

   

   正常情况如果只有[]./*||这几个字符，下面什么也不会匹配，因为是一堆元字符。加是\Q与\E之后，[]./*||直接被当做字符串字面量来处理，就可以直接被下面的字符串匹配。

分组

1. 分组捕获

   分组使用小括号语法，小括号内的内容即为一个分组。可以使用类似\1，\2，$1，$2，引用不同分组的内容，即从前到后的第几个小括号的内容就是使用\数字或者$数字的方式进行引用。

   

   上面的表达式的意思是，test开头tips结尾，test之后与tips之前有一个空格，并且它们之间有一个由任意多个单词组成的分组1，然后使用$1即可引用分组1中的内容。

2. 分组命名

   可以不使用默认的数字的引用方式，而直接给分组命名，普通的正则表达式命名如下:

   1	(?<group_name>XXX)

   ?<group_name>这部分是为当前分组进行命令的语法，此部分不参与正则表达式的匹配消耗。引用时使用如下方式:

   1	${group_name}

   即可引用到group_name命名的分组的内容。

   

   不同的语言对正则表达式分组命名与引用方式略有不同，可能不是使用这种普通方式进行命名与分组，具体查看对应语言的文档

3. 非捕获分组

   捕获分组并在后面引用是使用小括号，正则表达式引擎这里会把对应的括号里面的匹配内容存储在内存中，以便之后进行引用。如果分组不需要捕获，不需要在后面进行引用，可以使用非捕获分组，这样便不会在内存中存储对应的分组内容，使用非捕获分组的情况就是在非使用小括号不可的情况(通常是限制修饰范围)，这样就会造成分组捕获的效果，在内存存储对应小括号的内容，造成性能浪费。非捕获分组语法:

   1

   (?:XXX)

   这样括号中的内容XXX便不会进行内存存储造成性能问题。

字符组操作

1. 字符串取反

   1

   [^abcd]

   在中括号内的^中不是匹配起始位置的意义，而是对后面的字符串进行取反的意思，即匹配的内容不包括^后面的内容。

   

   如上图，意思就是匹配除了r e g u l a r这些字符以外的其他字符。

2. 字符串并差集 (传统普通正则表达式引擎并未实现)

   • 并集

     1	[1-2[6-9]] 或者 [1-26-9]

     只会匹配 1 2 6 7 8 9

   • 差集

     1	[1-9&&[^3-5]]

     与上例相同，意思是在1-9数字中，排除中3 4 5这三个数字。

3. Unicode字符

   语法是\uxxxx，xxxx是对应Unicode字符的十六进制值，此十六进制值不区分大小写，或者使用\xxx的方式，xxx是对应Unicode的八进制值。知道这个就可以根据汉字的Unicode字符范围，匹配所有中文字符。

   1	[\u4e00-\u9fa5]

   

匹配量词 贪婪/懒惰模式

1. 量词

   使用大括号括起来的数字或者数字区间对前面的模式进行次数控制，语法如下:

   • 匹配特定次数

     1	[\u4e00-\u9fa5]{1}

     只匹配一个汉字字符，也可以是[\u4e00-\u9fa5]{5} ，匹配5个汉字。

   • 匹配次数区间

     1	[\u4e00-\u9fa5]{3,6}

     匹配3，4，5，6个汉字。

   • 匹配一个或者多个

     1	[\u4e00-\u9fa5]{1,} [\u4e00-\u9fa5]+

     加号+是对前面一种写法的简写，即匹配至少一个汉字。

   • 匹配0个或者多个

     1	[\u4e00-\u9fa5]{0,} [\u4e00-\u9fa5]*

     星号*是对前面一种写法的简写，即不匹配或者匹配多个汉字。

   • 匹配0次或者1次

     1	[\u4e00-\u9fa5]{0,1} [\u4e00-\u9fa5]?

     问号？是对前面一种写法的简写，即不匹配或者匹配一个汉字。

   • 匹配n次或者更多次

     1	[\u4e00-\u9fa5]{4,}

     匹配至少匹配四个或者更多汉字。

2. 贪婪模式

   在对应量词后面加上再加一个加号+，贪婪模式即，按当前匹配量词尽可能多的进行匹配。

3. 懒惰模式

   在对应量词后面加上再加一个问号?，懒惰模式即，按当前匹配量词尽可能少的进行匹配。

环视

环视匹配位置，也是不消耗任何字符。

1. 正前瞻

   1	pattern(?=p)

   pattern 后面需要紧跟p，才能匹配。

2. 反前瞻

   1	pattern(?!p)

   pattern后面不能跟着p，才可以匹配，其实就是正前瞻的反操作。

3. 正后顾

   1	(?<=p)pattern

   pattern前需要有挨着p，这样能匹配。

4. 反后顾

   1	(?!=p)pattern

   需要pattern前面不能是p才能匹配

5. 使用环视给数字添加分隔符, 如12345， 处理成12,345这种

   1 2 3 4 5 6 7 8 9 10

   #!/usr/bin/python # -*- coding: UTF-8 -*- import re number = "12345678" pattern = r'(?<=\d)(?=(\d{3})+$)' num = re.sub(pattern, ",", number) print "original number: ", number, " replaced number:", num

   (?<=\d)(?=(\d{3})+$)匹配的是左边是数字，右边是三位数字结尾的一个位置，在这个位置插入一个逗号，由于这只是一个位置，不消耗具体字符，所有原数字不在替换范围之内，只会在正确的位置插入逗号。