python-字符串全解（六）：正则表达式-转义与非转义

字符串的处理可以说是计算机中世界中用的最多的，最普遍的操作。人机交互，网络数据交换格式（xml，json），业务系统中的姓名，地址，甚至我们的源代码都是字符串。我们之前讲过了字符串的索引，分片以及字符串的相关方法，这些都是针对已知的字符串的操作，假如有大量的未知文本需要你处理，用正则表达式来处理无疑是很有效的方法。

1.正则表达式基础

通过正则表达式，你可以进行文本的查找，提取，替换，以及校验。之前我们也讲到字符串的find方法，也可以查找字符串。但是find方法只能根据确定的字符串值去查找，比如你要查找一个字符串"abc"子串是否在另外一个字符串中，那么直接用find就可以了；但是如果你要找这个字符串中不确定的电话号码，这个靠find就没有办法查找了，这时候正则表达式就派上用场了。对于python来讲，re模块是python的正在表达式模块，这个模块提供能字符串的匹配，查找，替换以及分割。我们先来看一个简单的例子：

python 复制代码

import re
a = "这是一个电话:18612324511，这不是一个电话186111233334"
b = re.findall(r'\b1[3-9]\d{9}\b', a)
print("b = {}".format(b))
# 输出结果：b = ['18612324511']

使用正则模块很简单，直接imoprt re 模块即可，我们用了一个findall函数，这个函数是找出字符串中符合条件的所有子串，结果是一个列表。我们发现结果列表只有一个电话号码，因为第二个的那串数字有12位，不是一个正确的电话号码。findall的第一个参数是正在表达式，第二个参数是一个字符串，我们需要在这个字符串中查找符合正则表达式的字符串子串。当然findall还有别的参数，我们先关注这两个。

我们看一下这个正则表达式字符串，首先是r开头，表示不转义，也就是后面的串就是代表本来的意思。然后第一个是\b，这个是正则表达式一个特殊组合，代表单词边界，什么叫单词呢？单词就是字母，数字，下划线。\b本身不匹配字符，他只是做为一个占位符。千万别把\b当作转义字符啊，\b只是在正在表达式的语境中代表一个单词占位符。

说到这里，你可能有个疑问：正则表达式可以不使用r这种不转义的方式么？答案是当然可以，看下面的代码：

python 复制代码

import re
a = "这是一个电话:18612324511，这不是一个电话186111233334"
b = re.findall('\\b1[3-9]\\d{9}\\b', a)
print("b = {}".format(b))
# 输出结果：b = ['18612324511']

上面的代码唯一的不同之处是去掉了正则表达式前面的r，然后所有的反斜杠\都变成了\\，在字符串中，\是转义的开始，为了表示\本身，所以需要用双反斜杠\\。最终的结果是一样的，但是我们需要多写三个反斜杠，这样反而麻烦，所以一般情况下，只需要在前面写r就可以了。

我们再想一下，如果我们不将反斜杠\换成两个反斜杠\\，会发生什么问题呢？我们再看一下代码：

python 复制代码

import re
a = "这是一个电话:18612324511，这不是一个电话186111233334"
b = re.findall('\b1[3-9]\d{9}\b', a)
print("b = {}".format(b))
# 输出结果：/Users/sunxiaojun/PycharmProjects/pythonProject/main.py:3:
# SyntaxWarning: invalid escape sequence '\d'
#   b = re.findall('\b1[3-9]\d{9}\b', a)
# b = []

我们看到，报了一个警告，提示\d是非法的转义，但是\b没有报，因为\b在转义字符里是退格，所以最后我们看到匹配结果：b = \[\]。

读到这里，我们要明白一个顺序：首先正则表达式是一个字符串，它必须先被python解释之后，然后再给正则模块用，如果\b被python转义是一个退格，那么在内存就是占一个字符的位置，而正则表达式要求的是\b是两个字符，所以就不能被解释为单词边界，只能解释为一个退格，但是在被查找的字符中根本没有退格这个字符，所以结果为空也是理所当然的事情。

为了验证上面的说法，我们看看下面的代码：

python 复制代码

import re
a = "\b"
b = r"\b"
print("a = {}, len(a) = {}, ord(a) = {}, b = {}, len(b) = {}"
      .format(a, len(a), ord(a), b, len(b)))
# 输出结果：a =, len(a) = 1, ord(a) = 8, b = \b, len(b) = 2

我们可以看到a和b长度不同，a是一个字符，b是两个字符。打印出来a看着是空，其实是因为退格是非占位字符。b打印出来就是\b，说明是因为r阻止了转义，从正则表达式的角度看，这个b就代表了字符边界。a只是代表一个退格。ord(a)给出了码点值，是8，因为b是两个字符，所以无法用ord函数。

为了更深刻的理解\b这个字符边界，我们稍稍的再改一下最初的例子，看下面的代码：

python 复制代码

import re
a = "18612324511:这是一个电话,这不是一个电话186111233334"
b = re.findall(r'\b1[3-9]\d{9}\b', a)
print("b = {}".format(b))
# 输出结果：b = ['18612324511']

这个代码的不同之处是，将电话号码移到了最开头，我们仍然能匹配成功。所以\b的作用不仅仅说明当前的字符不是数字，字母，下划线，如果当前是空字符，也可以正确匹配。那如果把电话号码放到字符串末尾呢？我们猜测也应该是正确的，如下面代码所示：

python 复制代码

import re
a = "这不是一个电话186111233334，:这是一个电话：18612324511"
b = re.findall(r'\b1[3-9]\d{9}\b', a)
print("b = {}".format(b))
# 输出结果：b = ['18612324511']

打印出来的结果符合预期。总结来看：\b匹配字符边界（也就是当前字符必须不是字母，数字和下划线），如果是空（字符串的开头或者结尾），也是可以匹配的。但是\b并不包含在匹配结果里面。

在这个正则表达式中还有其他语法，我们稍后展开，上面列举的代码，我有两个目的：一是看看正则表达式如何和re模块结合使用，二是一定要区分正则表达式中转义和非转义的区别，只有弄明白了这些，你才能正确的写出复杂的正则表达式。

读到了这里，我们做一个总结：首先正则表达式是一个字符串，如果是字符串就要符合python的字符串的规则，比如转义字符，如果你字符串前面没有带r，就需要先转义，然后正则表达式的语法匹配

下一章我们来学习正则表达式详细的语法。