Python3 如何優雅地使用正則表示式（詳解一）
正則表示式介紹
正則表示式（Regular expressions 也稱為 REs，或 regexes 或 regex patterns）本質上是一個微小的且高度專業化的程式語言。它被嵌入到 Python 中，並通過 re 模組提供給程式猿使用。使用正則表示式，你需要指定一些規則來描述那些你希望匹配的字串集合。這些字串集合可能包含英語句子、 e-mail 地址、TeX 命令，或任何你想要的東東。
正則表示式模式被編譯成一系列的位元組碼，然後由一個 C 語言寫的匹配引擎所執行。對於高階的使用，你可能需要更關注匹配引擎是如何執行給定的 RE，並通過一定的方式來編寫 RE，以便產生一個可以執行得更快的位元組碼。本文暫不講解優化的細節，因為這需要你對匹配引擎的內部機制有一個很好的理解。但本文的例子均是符合標準的正則表示式語法。
註釋：Python 的正則表示式引擎是用 C 語言寫的，所以效率是極高的。另，所謂的正則表示式，這裡說的 RE，就是上文我們提到的“一些規則”。
正則表示式語言相對較小，並且受到限制，所以不是所有可能的字串處理任務都可以使用正則表示式來完成。還有一些特殊的任務，可以使用正則表示式來完成，但是表示式會因此而變得非常複雜。在這種情況下，你可能通過自己編寫 Python 程式碼來處理會更好些；儘管 Python 程式碼比一個精巧的正則表示式執行起來會慢一些，但可能會更容易理解。
註釋：這可能是大家常說的“醜話說在前”吧，大家別管他，正則表示式非常優秀，她可以處理你 98.3% 的文字任務，一定要好好學哦~~~~~
簡單的模式
我們將從最簡單的正則表示式學習開始。由於正則表示式常用於操作字串的，因此我們從最常見的任務下手：字元匹配。
字元匹配
大多數字母和字元會匹配它們自身。舉個例子，正則表示式 FishC 將完全匹配字串 "FishC"。（你可以啟用不區分大小寫模式，這將使得 FishC 可以匹配 "FISHC" 或 "fishc"，我們會在後邊討論這個話題。）
當然這個規則也有例外。有少數特殊的字元我們稱之為元字元（metacharacter），它們並不能匹配自身，它們定義了字元類、子組匹配和模式重複次數等。本文用很大的篇幅專門討論了各種元字元及其作用。
下邊是元字元的完整列表（我們將在後邊逐一講解）：
. ^ $ * + ? { } [ ] \ | ( )
註釋：如果沒有這些元字元，正則表示式就變得跟字串的 find() 方法一樣平庸了......
我們先來看下方括號 [ ]，它們指定一個字元類用於存放你需要匹配的字元集合。可以單獨列出需要匹配的字元，也可以通過兩個字元和一個橫杆 - 指定匹配的範圍。例如 [abc] 會匹配字元 a，b 或 c；[a-c] 可以實現相同的功能。後者使用範圍來表示與前者相同的字元集合。如果你想只匹配小寫字母，你的 RE 可以寫成 [a-z]。
需要注意的一點是：元字元在方括號中不會觸發“特殊功能”，在字元類中，它們只匹配自身。例如 [akm$] 會匹配任何字元 'a'，'k'，'m' 或 '$'，'$' 是一個元字元，但在方括號中它不表示特殊含義，它只匹配 '$'字元本身。
你還可以匹配方括號中未列出的所有其他字元。做法是在類的開頭新增一個脫字元號 ^ ，例如 [^5] 會匹配除了 '5' 之外的任何字元。
或許最重要的元字元當屬反斜槓 \ 了。跟 Python 的字串規則一樣，如果在反斜槓後邊緊跟著一個元字元，那麼元字元的“特殊功能”也不會被觸發。例如你需要匹配符號 [ 或 \，你可以在它們前面加上一個反斜槓，以消除它們的特殊功能：\[，\\。
反斜槓後邊跟一些字元還可以表示特殊的意義，例如表示十進位制數字，表示所有的字母或者表示非空白的字元集合。
解釋：反斜槓真牛逼，反斜槓後邊跟元字元去除特殊功能，反斜槓後邊跟普通字元實現特殊功能。
讓我們來舉個例子：\w 匹配任何單詞字元。如果正則表示式以位元組的形式表示，這相當於字元類 [a-zA-Z0-9_]；如果正則表示式是一個字串，\w 會匹配所有 Unicode 資料庫（unicodedata 模組提供）中標記為字母的字元。你可以在編譯正則表示式的時候，通過提供 re.ASCII 表示進一步限制 \w 的定義。
解釋：re.ASCII 標誌使得 \w 只能匹配 ASCII 字元，不要忘了，Python3 是 Unicode 的。
下邊列舉一些反斜槓加字元構成的特殊含義：
| 特殊字元 |
含義 |
| \d |
匹配任何十進位制數字；相當於類 [0-9] |
| \D |
與 \d 相反，匹配任何非十進位制數字的字元；相當於類 [^0-9] |
| \s |
匹配任何空白字元（包含空格、換行符、製表符等）；相當於類 [ \t\n\r\f\v] |
| \S |
與 \s 相反，匹配任何非空白字元；相當於類 [^ \t\n\r\f\v] |
| \w |
匹配任何單詞字元，見上方解釋 |
| \W |
與 \w 相反 |
| \b |
匹配單詞的開始或結束 |
| \B |
與 \b 相反 |
它們可以包含在一個字元類中，並且一樣擁有特殊含義。例如 [\s,.] 是一個字元類，它將匹配任何空白字元（/s 的特殊含義），',' 或 '.'。
最後我們要講的一個元字元是 .，它匹配除了換行符以外的任何字元。如果設定了 re.DOTALL 標誌，. 將匹配包括換行符在內的任何字元。
重複的事情
使用正則表示式能夠輕鬆的匹配不同的字元集合，但 Python 字串現有的方法卻無法實現。然而，如果你認為這是正則表示式的唯一優勢，那你就 too young too native 了。正則表示式有另一個強大的功能，就是你可以指定 RE 部分被重複的次數。
我們來看看 * 這個元字元，當然它不是匹配 '*' 字元本身（我們說過元字元都是有特殊能力的），它用於指定前一個字元匹配零次或者多次。
例如 ca*t 將匹配 ct（0 個字元 a），cat（1 個字元 a），caaat（3 個字元 a），等等。需要注意的是，由於受到 C 語言的 int 型別大小的內部限制，正則表示式引擎會限制字元 'a' 的重複個數不超過 20 億個；不過，通常我們工作中也用不到那麼大的資料。
正則表示式預設的重複規則是貪婪的，當你重複匹配一個 RE 時，匹配引擎會嘗試儘可能多的去匹配。直到 RE 不匹配或者到了結尾，匹配引擎就會回退一個字元，然後再繼續嘗試匹配。
我們通過例子一步步的給大家講解什麼叫“貪婪”：先考慮一下表達式 a[bcd]*b，首先需要匹配字元 'a'，然後是零個到多個 [bcd]，最後以 'b' 結尾。那現在想象一下，這個 RE 匹配字串 abcbd 會怎樣？
| 步驟 | 匹配 | 說明 |
| 1 | a | 匹配 RE 的第一個字元 'a' |
| 2 | abcbd |
引擎在符合規則的情況下儘可能地匹配 [bcd]*，直到該字串的結尾 |
| 3 | 失敗 | 引擎嘗試匹配 RE 最後一個字元 'b'，但當前位置已經是字串的結尾，所以失敗告終 |
| 4 | abcb | 回退，所以 [bcd]* 匹配少一個字元 |
| 5 | 失敗 | 再一次嘗試匹配 RE 最後一個字元 'b'，但字串最後一個字元是 'd'，所以失敗告終 |
| 6 | abc | 再次回退，所以 [bcd]* 這次只匹配 'bc' |
| 7 | abcb | 再一次嘗試匹配字元 'b'，這一次字串當前位置指向的字元正好是 'b'，匹配成功 |
最終，RE 匹配的結果是 abcb。
解釋：正則表示式預設的匹配規則是貪婪的，後邊有教你如何使用非貪婪的方法匹配。
另一個實現重複的元字元是 +，用於指定前一個字元匹配一次或者多次。
要特別注意 * 和 + 的區別：* 匹配的是零次或者多次，所以被重複的內容可能壓根兒不會出現；+ 至少需要出現一次。例如 ca+t 會匹配 cat 和 caaat，但不會匹配 ct。
還有兩個表示重複的元字元，其中一個是問號 ?，用於指定前一個字元匹配零次或者一次。你可以這麼想，它的作用就是把某種東西標誌位可選的。例如 小?甲魚 可以匹配 小甲魚，也可以匹配 甲魚。
最靈活的應該是元字元 {m,n}（m 和 n 都是十進位制整數），上邊講到的幾個元字元都可以使用它來表達，它的含義是前一個字元必須匹配 m 次到 n 次之間。例如 a/{1,3}b 會匹配 a/b，a//b 和 a///b。但不會匹配 ab（沒有斜槓）；也不會匹配 a////b（斜槓超過三個）。
你可以省略 m 或者 n，這樣的話，引擎會假定一個合理的值代替。省略 m，將被解釋為下限 0；省略 n 則會被解釋為無窮大（事實上是上邊我們提到的 20 億）。
解釋：如果是 {,n} 相當於 {0,n}；如果是 {m,} 相當於 {m,+無窮}；如果是 {n}，則是重複前一個字元 n 次。另外還有一個超容易出錯的是寫成 {m, n}，看著挺美，但注意，正則表示式裡邊不能隨意新增空格，不然會改變原來的含義。
聰明的魚油應該已經發現了，其實 *、+ 和 ? 都可以使用 {m,n} 來代替。{0,} 跟 * 是一樣的；{1,} 跟 + 是一樣的；{0,1} 跟 ? 是一樣的。不過還是鼓勵大家記住並使用 *、+ 和 ?，因為這些字元更短並且更容易閱讀。
解釋：還有一個原因是匹配引擎對 * + ? 做了優化，效率要更高些。
（未完待續）