正则表达式学习

本篇学习记录主要来自《正则表达式必知必会》以及百度百科，作为本人学习爬虫的一个工具，将记录一些语法类的知识方便自己需要时复习

---

# 这篇博客是我写的第一篇博客，因为自己比较喜欢涉猎各种各样的知识，借阅各种各样的书刊，所以之前留下了不少读书笔记（记录在本子上），后来发现写字速度远远不及打字速度，而且重新翻阅复习的时候难以找到，故而决定以写博客的方式记录我学习过程的一点一滴。博客大多将以读书笔记记录的形式发布出来，偶尔会添加一些自己的思考。

---

书写匹配模式的语法：

元字符介绍

• \

做转义字符时使用。

• ^

从输入文字的行首进行匹配，如 ^[Aa] 匹配 “absorb”的 a

• $

从输入文字的行尾进行匹配,跟在子表达式的尾部。如 [Bb]\$ 匹配“absorb” 的 末尾 b

• *

匹配前面的子表达式（注意单个字符是一种纯文本表达式）0次至任意多次。* 等价于o{0,}   例如，zo*能匹配“z”，也能匹配“zo”以及“zoooo”。

• +

  匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。

• ?

  匹配前面的（子表达式）0或1次，等价于{0,1}。例如，“do(es)?”可以匹配“do”或“does”。  当？紧跟在任何一个其他限制符如（*,+,?，{n}，{n,}，{n,m}）后面时，表示匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串。默认的贪婪模式则表示尽可能多的匹配所搜索的字符串。  例如，对于字符串“oooo”，“o+”将尽可能多的匹配“o”，得到结果[“oooo”]，而“o+?”将尽可能少的匹配“o”，得到结果 ['o', 'o', 'o', 'o']

• {n}

n为≥0的整数，匹配确定的n次。例如，“o{2}”不能匹配“pop”中的“o”，但是能匹配“shoot”中的两个o。

• {n,}

n是≥0的整数。至少匹配n次。`“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。例如，“o{2,}”不能匹配“pop”中的“o”，但能匹配“ooooops”中的所有o。`

• {n,m}

`m和n都是≥0的整数，其中n<=m。表示最少匹配n次且最多匹配m次。`例如，“o{1,3}”将匹配“poooooop”中的前三个o为一组，后三个o为一组。注意在逗号和两个数之间不能有空格。

• ( pattern)

用于表示子表达式，匹配括号中的pattern并获取这一匹配。若需要匹配圆括号字符的时候，使用转义“\(”或“\)”

• (?:pattern)

非获取的匹配，匹配pattern但不获取这个匹配结果，不进行存储并使用。这在使用或字符“(|)”来组合一个模式的各个部分时很有用。如 “industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。

• (?=pattern)

  非获取匹配，在所有匹配pattern的文本 开始处  匹配查找字符串，但不需要获取。如“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”，也不匹配“SWindows”。

• (?!pattern)

非获取匹配，在任何不匹配pattern的字符串  开始处  匹配查找字符串，匹配不需要获取。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，也能匹配sWindows，但不能匹配“Windows2000”中的“Windows”。

• (?<=pattern)

非获取匹配，匹配的时候从字符串  结尾处  进行匹配，例如，“(<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，不能匹配“3.1Windows”中的“Windows”。

• (?< !pattern)

非获取匹配，也是从字符串   结尾处  匹配，例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。

• x|yz

匹配x或yz（注意这里是把 | 符号两边分别作为一个整体判断了）。例如，“z|food”能匹配“z”或“food”

- [xyz]字符集合。匹配所包含的任意  一个  字符。例如，“[abc]”可以匹配“plain”中的“a”。

• [^xyz]

不要的字符集合。匹配括号中不包含的任意  一个  字符。例如，“[^abc]”可以匹配“plain”中的“plin”。

• \b

匹配一个单词边界。例如，文本“cas  as  asc" 中，“/bas/b”只能匹配第二个as， “/bas”可以匹配as， asc中的as

• \B

匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。

• \d

匹配一个数字字符。等价于[0-9]。

• \D
  匹配一个非数字字符。等价于[^0-9]。

• \s

匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。

• \S

匹配任何可见字符。等价于[^ \f\n\r\t\v]。

• \w

匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。

• \W

匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。

常用正则表达式：
最全的常用正则表达式大全——包括校验数字、字符、一些特殊的需求等等

正则表达式除了“搜索匹配”， 还有“替换” 的功能，鉴于目前的学习仅仅局限于搜索，先跳过了替换这方面功能的学习，有需要时在查看