更多强大的功能
到目前为止，我们只是介绍了正则表达式的一部分功能。在这一篇中，我们会学习到一些新的元字符，然后再教大家如何使用组来获得被匹配的部分文本。
更多元字符
还有一些元字符我们没有讲到，接下来小甲鱼一一为大家讲解。
有些元字符它们不匹配任何字符，只是简单地表示成功或失败，因此这些字符也称之为
零宽断言
。例如
\b
表示当前位置位于一个单词的边界，但
\b
并不能改变位置。因此，零宽断言不应该被重复使用，因为
\b
并不会修改当前位置，所以
\b\b
跟
\b
是没什么两样的。
小甲鱼解释：很多人可能不理解“改变位置”和“零宽断言”的意思？我尝试解释下，比如 abc 匹配完 a 之后，咱的当前位置就会移动，才能继续匹配 b，依次类推...但是 \babc 的话，\b 表示当前位置在单词的边界（单词的第一个字母或者最后一个字母），这时候当前位置不会发生改变，接着将 a 与当前位置的字符进行匹配......
|
或操作符，对两个正则表达式进行或操作。如果 A 和 B 是正则表达式，
A | B
会匹配
A
或
B
中出现的任何字符。为了能够更加合理的工作，
|
的优先级非常低。例如
Fish|C
应该匹配
Fish
或
C
，而不是匹配
Fis
，然后一个
'h'
或
'C'
。
同样，我们使用
\|
来匹配
'|'
字符本身；或者包含在一个字符类中，像这样
[|]
。
^
匹配字符串的起始位置。如果设置了 MULTILINE 标志，就会变成匹配每一行的起始位置。在 MULTILINE 中，每当遇到换行符就会立刻进行匹配。
举个例子，如果你只希望匹配位于字符串开头的单词 From，那么你的正则表达式可以写为 ^From：
- >>> print(re.search('^From', 'From Here to Eternity'))
- < _sre.SRE_Match object; span=(0, 4), match='From'>
- >>> print(re.search('^From', 'Reciting From Memory'))
- None
复制代码
$
匹配字符串的结束位置，每当遇到换行符也会离开进行匹配。
>>> print(re.search('}$', '{block}'))
<_sre.SRE_Match object; span=(6, 7), match='}'>
>>> print(re.search('}$', '{block} '))
None
>>> print(re.search('}$', '{block}\n'))
<_sre.SRE_Match object; span=(6, 7), match='}'>
同样，我们使用
\$
来匹配
'$'
字符本身；或者包含在一个字符类中，像这样
[$]
。
\A
只匹配字符串的起始位置。如果没有设置 MULTILINE 标志的时候，
\A
和
^
的功能是一样的；但如果设置了 MULTILINE 标志，则会有一些不同：
\A
还是匹配字符串的起始位置，但
^
会对字符串中的每一行都进行匹配。
\Z
只匹配字符串的结束位置。
\b
单词边界，这是一个只匹配单词的开始和结尾的零宽断言。“单词”定义为一个字母数字的序列，所以单词的结束指的是空格或者非字母数字的字符。
下边例子中，
class
只有在出现一个完整的单词
class
时才匹配；如果出现在别的单词中，并不会匹配。
- >>> p = re.compile(r'\bclass\b')
- >>> print(p.search('no class at all'))
- < _sre.SRE_Match object; span=(3, 8), match='class'>
- >>> print(p.search('the declassified algorithm'))
- None
- >>> print(p.search('one subclass is'))
- None
复制代码
在使用这些特殊的序列的时候，有两点是需要注意的：第一点需要注意的是，Python 的字符串跟正则表达式在有些字符上是有冲突的（回忆之前反斜杠的例子）。比如说在 Python 中，
\b
表示的是退格符（ASCII 码值是 8）。所以，你如果不使用原始字符串，Python 会将
\b
转换成退格符处理，这样就肯定跟你的预期不一样了。
下边的例子中，我们故意不写表示原始字符串的
'r'
，结果确实大相庭径：
- >>> p = re.compile('\bclass\b')
- >>> print(p.search('no class at all'))
- None
- >>> print(p.search('\b' + 'class' + '\b'))
- < _sre.SRE_Match object; span=(0, 7), match='\x08class\x08'>
复制代码
第二点需要注意的是，在字符类中不能使用这个断言。跟 Python 一样，在字符类中，
\b
只是用来表示退格符。
\B
另一个零宽断言，与
\b
的含义相反，
\B
表示非单词边界的位置。
分组
通常在实际的应用过程中，我们除了需要知道一个正则表达式是否匹配之外，还需要更多的信息。对于比较复杂的内容，正则表达式通常使用分组的方式分别对不同内容进行匹配。
下边的例子，我们将 RFC-822 头用“:”号分成名字和值分别匹配：
- From: author@example.com
- User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
- MIME-Version: 1.0
- To: editor@example.com
复制代码
像这种情况，我们就可以写一个正则表达式先来匹配一整个 RFC-822 头，然后利用分组功能，使用一个组来匹配头的名字，另一个组匹配名字对应的值。
小甲鱼解释：RFC-822 是电子邮件的标准格式，当然看到这里你还不知道分组要怎么分，不急，请接着往下看......
在正则表达式中，使用元字符
( )
来划分组。
( )
元字符跟数学表达式中的小括号含义差不多；它们将包含在内部的表达式组合在一起，所以你可以对一个组的内容使用重复操作的元字符，例如
*
，
+
，
?
或者
{m, n}
。
例如，
(ab)*
会匹配零个或者多个
ab
：
- >>> p = re.compile('(ab)*')
- >>> print(p.match('ababababab').span())
- (0, 10)
复制代码
使用
( )
表示的子组我们还可以对它进行按层次索引，可以将索引值作为参数传递给这些方法：group()，start()，end() 和 span()。序号 0 表示第一个分组（这个是默认分组，一直存在的，所以不传入参数相当于默认值 0）：
- >>> p = re.compile('(a)b')
- >>> m = p.match('ab')
- >>> m.group()
- 'ab'
- >>> m.group(0)
- 'ab'
复制代码
小甲鱼解释：有几对小括号就是分成了几个子组，例如 (a)(b) 和 (a(b)) 都是由两个子组构成的。
子组的索引值是从左到右进行编号，子组也允许嵌套，因此我们可以通过从左往右来统计左括号
(
来确定子组的序号。
- >>> p = re.compile('(a(b)c)d')
- >>> m = p.match('abcd')
- >>> m.group(0)
- 'abcd'
- >>> m.group(1)
- 'abc'
- >>> m.group(2)
- 'b'
复制代码
group() 方法可以一次传入多个子组的序号：
- >>> m.group(2,1,2)
- ('b', 'abc', 'b')
复制代码
小甲鱼解释：start() 是获得参数子组的开始位置；end() 是获得对应子组的结束位置；span() 是获得对应子组的范围。
我们还特么可以通过 groups() 方法一次性返回所有的子组匹配的字符串：
- >>> m.groups()
- ('abc', 'b')
复制代码
还有一个反向引用的概念需要介绍。反向引用指的是你可以在后面的位置使用先前匹配过的内容，用法是反斜杠加上数字。例如 \1 表示引用前边成功匹配的序号为 1 的子组。
- >>> p = re.compile(r'(\b\w+)\s+\1')
- >>> p.search('Paris in the the spring').group()
- 'the the'
复制代码
如果只是搜索字符串，反向引用不会被用到，因为很少有文本格式会这样来重复字符。但是，你很快会发现，在字符串替换的时候，反向引用是非常有用的（深井冰）！
小甲鱼注释：注意，在 Python 的字符串中会使用反斜杠加数字的方式来表示数字的值对应的 ASCII 字符，所以在使用反向索引的正则表达式中，我们依然强调要使用原始字符串。
原文连接：点击打开链接
