前文链接：正则表达式系列 一

本文介绍的是正则的各种性质，有阅读难度，建议先阅读前文

括号

这里讲的括号特指小括号。

分组作用

最直白的含义，即将一部分元素括起来视为一个整体。

#python
re.search(r"^ab+$","abab") != None	#False，即无法匹配
re.search(r"^(ab)+$","abab") != None	#True，可以匹配

ab+的含义是匹配一个字符a开头，后面跟1个或多个字符b的字符串。所以不能匹配（注意用^和$限制匹配范围）

(ab)+的含义是匹配一个或多个字符串“ab”，所以能匹配

多选分支

这个能力需要借助元字符“|”，表示“或”的含义

#python
regex = r"^([a-zA-Z]+|[0-9]+)$"
re.search(regex, "19987234") != None	#True
re.search(regex, "cajsdioc") != None	#True
re.search(regex, "89dsa") != None	#False

regex中含有两个字符组，[a-zA-Z]+匹配一个纯字母的字符串，[0-9]+匹配一个纯数字的字符串。二者用或相连。所以既能匹配纯数字串，也能匹配纯字母串，但无法匹配混杂字母和数字的字符串

多选分支还有一些注意事项

• 多选分支也可以没有括号。因为元字符“|”的运算优先级非常低。ab|cd和(ab|cd)的效果完全相同

• 能用字符组实现的功能，不要用多选分支，因为相同情况下多选分支效率差得多

• 多选分支的排列顺序，大部分语言是优先匹配靠左的分支条件。所以如果写出的两个分支能匹配同一个字符串，最后匹配结果是靠左的分支。

  #python
  re.search(r"(ljj|ljjliujunjie)", "ljjliujunjie123").group()
  #输出 ljj
  re.search(r"(ljjliujunjie|ljj)", "ljjliujunjie123").group()
  #输出 ljjliujunjie
  

  所以如果没有必要，不要写出会重复匹配的分支。但如果必须要重复，那就把最难触发的分支靠前写。

引用分组

举个例子先，如果你希望从2022-10-11这种日期中截取年月日，那很自然的写出正则regex1 = r"\d{4}-\d{2}-\d{2}"，但这个虽然能匹配，但无法截取年月日。所以正确的做法是下面这种

#python
regex2 = r"(\d{4})-(\d{2})-(\d{2})"
res = re.search(regex2, "2022-10-11")
res.group(0)	#2022-10-11
res.group(1)	#2022
res.group(2)	#10
res.group(3)	#11

默认情况下，括号中的匹配内容会被保存下来，从1开始编号形成一个列表返回。至于为啥从1开始编号，是因为如果没有加任何括号，整体的返回结果会被默认为0。如果括号存在嵌套，分组的编号是以开括号出现的顺序来计数。

还有一个需要注意的特点，所谓引用分组，引用的是对应括号的表达式最终匹配到的文本，或者叫捕获到的文本。比如下面这个错误

#python
res.search(r"(\d){4}-(\d{2})-(\d{2})", "2022-10-11").group(1)
#返回 2 

这里把第一个括号的限定范围缩小了，(\d){4} 这个整体的表示意思仍然是匹配一个长度为4的连续数字串，但括号内的表达式是 \d，它的意思是匹配一个长度为1的数字串。所以匹配时，先匹配到2022的第一个字符2，此时1号括号的捕获结果是2，再匹配到2022的第二个字符0，此时1号括号的捕获结果就被更新为0。依次进行，最终1号括号的捕获结果是2022的最后一个字符2。

引用分组不仅可以用于获取特定匹配结果，还可以替换指定内容，只需要更改下调用的正则api即可，建议查询对应语言文档

引用分组还有些特殊用法

反向引用

如果想判断一个单词是否存在连续出现的重复字，比如pool，book，hello等等，我们不能用[a-z][a-z]这种方式来匹配，因为两个字符组是各自匹配互不干扰的，不能保证匹配结果一定相同。

反向引用则提供一种能力，允许正则表达式的内部成员，获取到靠前部分的表达式的匹配结果。

所以只需要用([a-z])\1，后面的\1表示引用编号为1的括号的匹配内容。同理，如果多个括号，就依次\2,\3等等

不过切记，引用的是文本而不是表达式，不要试图用反向引用实现“重复某个正则表达式”。比如

#python
#下面两个正则表达式都试图匹配 3.1.2.0 这种字符串
regex1 = r"([0-9]\.){3}[0-9]"	#正确
regex2 = r"([0-9])\.\1\.\1\.\1"	#错误

第二个之所以错误，是因为\1引用的是([0-9])的匹配结果，比如匹配3.1.2.0时，第一个小括号的匹配结果是3，那么regex2此时就等价于"3\.3\.3\.3"，所以只能匹配3.3.3.3。

命名分组

引用分组的引用默认是数字编号，如果括号较多便很不直观，所以可以用下面语法给括号命名

#python
regex1 = r"(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})"
regex2 = r"(\d{4})-(\d{2})-(\d{2})"

re.search(regex1, "2022-10-11").group("year")	#2022
re.search(regex2, "2022-10-11").group(1)	#2022
#即便命名了，也可以用数字编号
re.search(regex1, "2022-10-11").group(1)	#2022

上述两种正则表达式是完全等价的。另外注意，上述代码的语法是python规定的，其余语言不尽相同

非捕获分组

括号的引用能力是默认开启的，虽然很方便，但是性能很低。如果你仅仅需要一个括号的分组能力，可以使用如下语法关闭这个括号的引用能力，这种语法叫作非捕获分组。引用编号时会跳过非捕获分组

#python
re.search(r"(?:\d{4})-(\d{2})-{\d{2}}", "2022-10-11").group(1)
#10

虽然这个语法看起来怪，但其实大部分情况我们不需要引用能力，只是简单分组，所以尽量使用非捕获分组来替代默认

断言

正则表达式中有些结构，虽然也能匹配到内容，但这种匹配只是用于分支判断，匹配的内容也不会出现在结果中，这样的结构被称为断言。

单词边界

假设需要下面这段文本中的单词“ljj”，很自然会写出正则 regex = r"ljj"。但很不幸会发现有两处匹配，"ljjliujunjie123@some.com"的前缀ljj也被视为了一个单词

text = "ljj has a email which is ljjliujunjie123@some.com"

说明单词ljj 并不等于 字符串ljj。所以正则提供了特殊元字符 \b，表示当前位置，一侧是单词字符，一侧不是单词字符。这样的位置自然就是一个单词的边界。所以改写一下，regex = r"\bljj\b"就能正确匹配了

有一点需要注意，单词边界\b要求中，“一侧不是单词字符”，含义是既可以出现非单词字符，也可以没有任何字符

行起始or结束位置

类似单词边界的匹配，我们匹配位置时，匹配到的是两个字符之间的地方，这种匹配又被叫作锚点。

正则中关于行的起始与结束提供了如下锚点元字符

^ 匹配整个字符串/文本的起始位置，和行终止符之后的位置
$ 匹配行终止符之前的位置（但在JS语言中，$匹配的是行终止符之后的那个位置）
\A 不论在任何模式下，永远匹配整个字符串/文本的起始位置
\z 不论在任何模式下，永远匹配整个字符串/文本的结束位置（即行终止符之后的位置）

其中前两个是所有语言都支持的，也是最常用的，后两个在不同语言下语言不尽相同，使用前查文档

环视

顾名思义：站在某个位置，环顾四周的情况。正则的环视就是站在当前位置，考察其前面的字符串或后面的字符串是否满足特定要求。其语法分为如下四种

名字	语法	方向	含义
肯定顺序环视	(?=regex)	向右匹配	匹配到当前位置时，其右侧的子表达式必须满足regex
否定顺序环视	(?!regex)	向右匹配	匹配到当前位置时，其右侧的子表达式必须不能满足regex
肯定逆序环视	(?<=regex)	向左匹配	匹配到当前位置时，其左侧的子表达式必须满足regex
否定逆序环视	(?<~!regex)	向左匹配	匹配到当前位置时，其左侧的子表达式必须不能满足regex

举个例子，如果我想从下面的字符串中匹配这样的子字符串，其左侧必须是#，其右侧不能是?，其本身必须是由小写字母构成的字符串。

#python
text = "ljj want #to be? a# ?#better? coder"
regex = r"(?<=#)[a-z]+(?!\?)"
re.search(regex, text)
#匹配结果是 to 和 bette

环视的注意事项：

• 环视并不真正匹配字符，它只是在新增一些限制，所以适合用于修改复杂的正则表达式
• 环视语法本身用到了括号，但这个括号是不会被记入引用括号的编号。但如果环视的子表达式中出现了捕获型括号，该捕获型括号会被算入引用编号，但同时注意，由于环视的特殊性，一旦从环视结构中跳出，其中所有的捕获型括号的匹配内容都会被清空，所以外部无法获取环视内部捕获型括号的匹配内容
• 顺序环视在大部分语言中都支持，逆序环视的支持程度差很多，使用需谨慎
• 环视可以进行嵌套，因为环视结构中的子正则表达式是一个完整的正则，理论上可以随便写
• 环视可以并列，结果取它们的交集。比如(?=[0-9]+)(?!666)表示当前位置右侧需要是数字串，但不能是666

模式

正则的常用匹配模式有以下四种，不同模式会影响特定元字符的含义

选择模式有两种方法，一是模式修饰符，直接写在正则表达式中，二是预定义常量，是不同语言提供的一些参数，传入这些参数即可自动构建包含对应模式修饰符的正则表达式。

模式修饰符的语法是(?modifier)，写在一个正则的最开头

无大小写模式

modifier = i，不区分字母的大小写

#python
re.search(r"(?i)hello", "HELLO") != None	#True

单行模式

modifier = s，表示将文本中的换行符视为普通字符，可以用元字符点号.来匹配（默认情况.不能匹配换行符）

单行模式在部分语言中叫作点号通配，这个叫法听起来更好，因为单行模式和下面的多行模式其实毫无关系

另外，JavaScript不支持单行模式

多行模式

modifier = m，默认模式下，^和$的匹配方式如这里所示，但在多行模式下，它们可以匹配一个文本内部的某一行字符串的开始和结束位置

注释模式

modifier = x，这是为了复杂正则设计的，例如

#python
regex = r"""
(?x)	#启用了注释模式
[0-9]	#匹配数字
[a-z]	#匹配字母
"""

关于模式有一些补充

• 真实使用时，更推荐用对应语言的预定义常量，可以通过这个网站查询https://www.runoob.com/。原因是不同语言对这些模式的支持程度不一样，甚至含义也不太一样
• 模式是可以同时使用多个的，比如(?ismx)就表示同时启用这四种模式，它们事实上是不冲突的
• 模式修饰符的范围可以自定义的，如果写在开头，就是对整个正则生效，如果写在中间，就是对它后面的子正则生效。如果用括号括起来，可以限定指对某个子串生效，如"h((?i)e)llo"表示只对e这个字符不区分大小写