正则表达式--上
如果你有一个问题，你想到可以用正则来解决，那么你有两个问题了。
Some people, when confronted with a problem, think “I know,i’ll use regular expressions.” Now they have two problems
写正则过程
先分解
这个问题可以分成几个子问题，是否可以用多个正则来完成(密码强度校验，一个校验大小写，一个校验数字标点，一个校验强度)
解决子问题
某个位置上可能有多个字符？那就用字符组。某个位置上可能有多个字符串？那就用多选结构。出现的次数不确定？那就用量词。对出现的位置有要求？那就用锚点锁定位置
套皮
也就是把如何解决子问题转化为正则表达式
调试
复杂⼀点的正则表达式不能⼀次写对，这是很正常的
正则功能s
graph TB
A(正则功能)
A1(校验数据的有效性)
A2(查找符合要求的文本内容)
A3(对文本进行切割,替换等操作)
A-->A1
A-->A2
A-->A3
正则元字符
graph LR
A(正则元字符)
A-->B(特殊单字符)
B-->B1(.任意字符)
B-->B2(\d 任意数字\D 任意非数字)
B-->B3(\w 任意字母数字下划线 \W任意非字母谁下划线)
B-->B4(\s任意空白符 \S 任意非空白符)
A-->C(空白符)
C-->C1(\r 回车符)
C-->C2(\n 换行符)
C-->C3(\f 换页符)
C-->C4(\t 制表符)
C-->C5(\v 垂直制表符)
C-->C6(\s 任意空白符)
A-->D(范围)
D-->D1("|或,如ab|bc 代表ab或bc")
D-->D2("[...]多选一，括号中任意单个元素")
D-->D3("[a-z]匹配a到z之间的任意单个元素(按ASCII表，包含a,z)")
D-->D4("[^...]取反，不能是括号中的任意单个元素")
A-->E(量词)
E-->E1(*含义: 0到多次)
E-->E2(+含义: 1到多次)
E-->E3(?含义: 0到1次)
E-->E4("{m}含义: 出现m次")
E-->E5("{m,}含义: 出现至少m次")
E-->E6("{m,n}含义: m到n次")
A-->F(断言)
F-->F1(单词边界)
F-->F2(行的开始/结束)
F-->F3(环视)
示例：
- 匹配某个网络资源：以 http:// 或者https:// 或者ftp://开头
- 第一位固定为1，第二位可能是3-9，第三位到第11位可以是任意数字
量词与贪婪
举例：
有字符串”aaabb”，有正则表达式”a+”，问有多少个匹配结果
有字符串”aaabb”，有正则表达式”a*”，问有多少个匹配结果
贪婪匹配(Greedy)
有字符串”aaabb”，有正则表达式”a*”，问有多少个匹配结果 的匹配过程
| 匹配 | 开始 | 结束 | 说明 | 匹配内容 |
|---|---|---|---|---|
| 第一次 | 0 | 3 | 到第一个字母b发现不满足，输出aaa | aaa |
| 第二次 | 3 | 3 | 匹配剩下的bb，发现匹配不上，输出空字符串 | 空字符串 |
| 第三次 | 4 | 4 | 匹配剩下的b，发现匹配不上，输出空字符串 | 空字符串 |
| 第四次 | 5 | 5 | 匹配剩下空字符串，发现匹配不上，输出空字符串 | 空字符串 |
非贪婪模式(Lazy)
有字符串”aaabb”，有正则表达式”a*?”，问有多少个匹配结果
9个结果
在python2.7中只能匹配到空串，在java8中只能匹配到空串， 在python3.7.7中可以匹配
1 | |
1 | |
示例：查找双引号之间的单词
字符串如下 “the little cat” is a toy,it looks “a little bad”
贪婪：”.*”
非贪婪:”.*?”
独占模式
一般不怎么用
示例：
we found “the little cat” is in the hat, we like “the little cat”
其中双引号中的单词看成一个单词，即the little cat 是一个单词
总结
graph LR
A("贪婪、非贪婪、独占")
A-->A1(贪婪匹配)
A1-->A11("表示次数的量词，默认是贪婪的
满足要求的情况下，尽可能按最长去匹配")
A1-->A12("回溯：后面匹配不上，会吐出已匹配的再尝试")
A-->A2(非贪婪匹配)
A2-->A21("量词元字符后加?(英文问号),
满足要求的情况下，尽可能按最短去进行匹配")
A2-->A22("回溯：后面匹配不上，会匹配更长再接着尝试")
A-->A3(独占模式)
A3-->A31("量词元字符后加+(英文加号)
满足要求的情况下，尽可能按最长去匹配")
A3-->A32(不会发生回溯,匹配不上即失败)
分组与引用
匹配身份证号：15位或18位数字
分组与编号
括号在正则中可以用于分组，被括号括起来的部分“子表达式”会被保存成一个子组。第几个括号就是第几个分组
不保存子组
可以在括号里面使用 ?: 不保存子组。
括号嵌套
我们只需要数左括号（开括号）是第几个，就可以确定是第几个子组
假设时间格式是 2020-05-10 20:23:05 。
((\d{4})-(\d{2})-(\d{2})) ((\d{2}):(\d{2}):(\d{2}))
日期分组编号是 1，时间分组编号是 5，年月日对应的分组编号分别是 2，3，4，时分秒的分组编号分别是 6，7，8。
命名分组
由于编号得数在第几个位置，后续如果发现正则有问题，改动了括号的个数，还可能导致编号发生变化，因此一些编程语言提供了命名分组（named grouping），这样和数字相比更容易辨识，不容易出错。命名分组的格式为(?P<分组名>正则)。
分组引用
在知道了分组引用的编号 （number）后，大部分情况下，我们就可以使用 “反斜扛 + 编号”，即 \number 的方式来进行引用
分组引用在查找中使用
前面出现的单词再次出现：(\w+)\1
https://regex101.com/r/Adg1Og/4
分组引用在替换中使用
我们可以使用反向引用，在得到的结果中，去拼出来我们想要的结果
https://regex101.com/r/Adg1Og/5
graph LR
A("正则分组")
A-->A1("功能")
A1-->A11("将某部分子表达式看成一个整体，在后续查找或替换引用分组")
A-->A2("分组编号")
A2-->A21(第几个括号就是第几个分组)
A2-->A22("非捕获分组使用(?:正则)")
A2-->A23("括号嵌套只需要看左括号的序号")
A2-->A24("命名分组(?P[名称]正则)")
A-->A3("分组引用")
A3-->A31("查找：查找重复出现的部分")
A3-->A32("替换：对原有内容格式进行改写")
A-->A4("文本编辑")
匹配模式
不区分大小写模式（Case-Insensitive）
示例：如要查找单词 cat，我们并不需要关心单词是 CAT、Cat，还是 cat
reg = [Cc][Aa][Tt]
当我们把模式修饰符放在整个正则前面时，就表示整个正则表达式都是不区分大小写的。模式修饰符是通过 (? 模式标识) 的方式来表示的。 我们只需要把模式修饰符放在对应的正则前，就可以使用指定的模式了。
由于不分大小写的英文是 Case-Insensitive，那么对应的模式标识就是 I 的小写字母 i，所以不区分大小写的 cat 就可以写成 (?i)cat。
text=cat\n CAT\nCat
我们也可以用它来尝试匹配两个连续出现的 cat，如下图所示，你会发现，即便是第一个 cat 和第二个 cat 大小写不一致，也可以匹配上。
https://regex101.com/r/x1lg4P/1
如果我们想要前面匹配上的结果，和第二次重复时的大小写一致，那该怎么做呢？我们只需要用括号把**修饰符和正则 cat **部分括起来，加括号相当于作用范围的限定，让不区分大小写只作用于这个括号里的内容
https://regex101.com/r/x1lg4P/2
需要注意的是，这里正则写成了 ((?i)cat) \1，而不是 ((?i)(cat)) \1。也就是说，我们给修饰符和 cat 整体加了个括号，而原来 cat 部分的括号去掉了。如果 cat 保留原来的括号，即 ((?i)(cat)) \1，这样正则中就会有两个子组，虽然结果也是对的，但这其实没必要
如果用正则匹配，实现部分区分大小写，另一部分不区分大小写，这该如何操作呢？就比如说我现在想要，the cat 中的 the 不区分大小写，cat 区分大小写
也就是 ((?i)the) cat
https://regex101.com/r/x1lg4P/3
单行模式
单行的英文表示是 Single Line，单行模式对应的修饰符是 (?s)
https://regex101.com/r/Adg1Og/1
多行匹配模式（Multiline）
通常情况下，^匹配整个字符串的开头，$ 匹配整个字符串的结尾。多行匹配模式改变的就是 ^ 和 $ 的匹配行为
https://regex101.com/r/Adg1Og/2
多行模式的作用在于，使 ^ 和 $ 能匹配上每行的开头或结尾，我们可以使用模式修饰符号 (?m) 来指定这个模式。
https://regex101.com/r/Adg1Og/3
注释模式（Comment）
正则中注释模式是使用 (?#comment) 来表示。
graph LR
A(正则匹配模式
Match Mode)
A-->A1(不区分大小写模式
Case-Insensitive)
A1-->A11("作用：正则不区分英文字母的大小写")
A1-->A12("修饰符：(?i)")
A-->A2(点号通配模式
Dot All)
A2-->A21("作用：英文的点号可以匹配任意字符，包括换行")
A2-->A22("修饰符：(?s)")
A-->A3(多行模式
Multiline)
A3-->A31("作用：^或$默认是匹配整个字符串的开头或结尾
多行模式使得他们能匹配每行的开头或结尾")
A3-->A32("修饰符：(?m)")
A-->A4(注释模式
Comment)
A4-->A41("作用：添加注释")
A4-->A42("修饰符：(?#comment)")
问题：
提取html中head标签中的所有内容
断言
简单来说，断言是指对匹配到的文本位置有要求。比如，去查找一个单词，我们要查找 tom，但其它的单词，比如 tomorrow 中也包含了 tom。
单词边界（Word Boundary）
我们想要把下面文本中的 tom 替换成 jerry。注意一下，在文本中出现了 tomorrow 这个单词，tomorrow 也是以 tom 开头的。
tom asked me if I would go fishing with him tomorrow.
利用前面学到的知识，我们如果直接替换，会出现下面这种结果。
1 | |
单词的组成一般可以用元字符 \w+ 来表示，\w 包括了大小写字母、下划线和数字（即 [A-Za-z0-9_]）。那如果我们能找出单词的边界，也就是当出现了\w 表示的范围以外的字符，比如引号、空格、标点、换行等这些符号，我们就可以在正则中使用\b 来表示单词的边界。 \b 中的 b 可以理解为是边界（Boundary）这个单词的首字母。
| tom | \btom | tom\b | \btom\b | |
|---|---|---|---|---|
| tom | √ | √ | √ | √ |
| tomorrow | √ | √ | × | × |
| atom | √ | × | √ | × |
| atomic | √ | × | × | × |
行的开始或结束
可以参考空白符和匹配模式
环视（ Look Around）
比如我们要提取六位数字的邮政编码，不能简单的写\d{6}，这样的话，11位数字的手机号码也能匹配，也就是说，除了文本本身组成符合这 6 位数的规则外，这 6 位数左边或右边都不能是数字。正则是通过环视来解决这个问题的
| 正则 | 名称 | 含义 | 示例 |
|---|---|---|---|
(?<=Y) |
肯定逆序环视 positive-lookbehind |
左边是Y | (?<=\d)th:左边是数字的th，能匹配9th |
(?<!Y) |
否定逆序环视 negative-lookbehind |
左边不是Y | (?<!\d)th:左边不是数字的th，能匹配health |
(?=Y) |
肯定顺序环视 positive-lookhead |
右边是Y | six(?=\d):右边是数字的siz，能匹配six6 |
(?!Y) |
否定逆序环视 negative-lookhead |
右边不是Y | hi(?!\d):右边不是数字的hi，能匹配high |
环视与子组
环视中虽然也有括号，但不会保存成子组。保存成子组的一般是匹配到的文本内容，后续用于替换等操作，而环视是表示对文本左右环境的要求，即环视只匹配位置，不匹配文本内容
graph LR
A(断言)--> A1(单词边界)
A1-->A11(\b匹配单词边界)
A-->A2(行的开始/结束)
A2-->A21("^匹配行的开始
多行模式时，可以匹配任意行开头")
A2-->A22("$匹配行的结束
多行模式时，可以匹配任意行结尾")
A2-->A23("\A仅匹配整个字符串的开始
不支持多行模式")
A2-->A24("\Z仅匹配整个字符串结束
不支持多行模式")
A-->A3(环视)
A3-->A31("(?=Y)X:匹配前面是Y的X")
A3-->A32("(?!Y)X:匹配前面不是Y的X")
A3-->A33("X(?=Y):匹配后面是Y的X")
A3-->A34("X(?!Y):匹配后面不是Y的X")
以上