這篇博客是關(guān)于正則表達(dá)式（regex）的插圖指南，旨在為那些從來(lái)沒(méi)有使用過(guò)正則表達(dá)式，想嘗試但又望而生畏的新手提供一個(gè)簡(jiǎn)單介紹。

所以，歡迎使用正則表達(dá)式…

對(duì)于大多數(shù)沒(méi)有接受過(guò)正式 CS 教育的人來(lái)說(shuō)，正則表達(dá)式似乎只有最核心的 Unix 程序員才敢碰。

一個(gè)好的正則表達(dá)式看起來(lái)像魔法，但請(qǐng)記?。喝魏巫銐蛳冗M(jìn)的技術(shù)都無(wú)法與魔法區(qū)分開(kāi)來(lái)。

所以，就讓我們揭開(kāi)正則表達(dá)式的神秘面紗！

如果你理解正則表達(dá)式，它會(huì)突然變成一個(gè)超快速和強(qiáng)大的工具……但你首先需要理解它，老實(shí)說(shuō)，我覺(jué)得新手可能會(huì)對(duì)它望而生畏！

讓我們從基礎(chǔ)開(kāi)始。正則表達(dá)式（regex）是什么？它們的用途是什么？

Regex 新手上路

本質(zhì)上來(lái)看，正則表達(dá)式是定義一種搜索模式的字符序列。

正則表達(dá)式通常用于 grep 等工具中，以在較長(zhǎng)文本字符串中查找模式。

考慮以下一個(gè) cat.txt 文件：

catcat2dog

如果我們使用正則表達(dá)式 cat 來(lái)搜索匹配項(xiàng)，我們會(huì)找到以下匹配項(xiàng)：

catcat2

高級(jí)用戶需要注意的是，本文存在一個(gè)技術(shù)上的錯(cuò)誤，即正則表達(dá)式和使用正則表達(dá)式的工具（如 grep）混為了一談。

正則表達(dá)式適用于字符，而不是單詞

需要反復(fù)強(qiáng)調(diào)的一個(gè)重要問(wèn)題是：正則表達(dá)式適用于字符，而不是單詞。隱含串聯(lián)。

如果我們使用正則表達(dá)式搜索模式 cat，則不會(huì)查找單詞「cat」，而會(huì)查找字符 c、a 和 t。

點(diǎn)和星號(hào)

最基本的字符是單個(gè)字符，如 a、b、c 等。現(xiàn)在讓我們介紹以下兩種特殊的字符。

.（點(diǎn)）字符可以匹配*任何單個(gè)字符*。例如，如果我們搜索 c.t，則將匹配從 cat 到 c0t 或 cAt 的任何內(nèi)容，并將匹配任何單個(gè)字符 c +任何字符+單個(gè)字符 t。

*（星號(hào)）字符有點(diǎn)困難。它修改它前面的字符，然后匹配該字符的*零個(gè)或多個(gè)字符*。的確如此。例如，cat*可以匹配 cat、catt、cattttt 以及 ca。

示例分析：The cat ate my homework

假設(shè)我們逐行讀取一個(gè)文件，則第一行如下所示：

The cat ate my homework.

讓我們看看如何匹配該行中的模式 cat。

我們首先將該模式的首字符與句子中的首字符匹配。

如果找不到匹配項(xiàng)，則跳轉(zhuǎn)至該行中的下一個(gè)字符，然后再?gòu)哪Ｊ降氖鬃址_(kāi)始。

如果我們找到一個(gè)匹配項(xiàng)，則將跳轉(zhuǎn)至模式和該行中的下一個(gè)字符，然后重復(fù)這個(gè)過(guò)程。當(dāng)我們找到整個(gè)模式的匹配時(shí)，返回找到匹配項(xiàng)的行。

這就是正則表達(dá)式最基本、最常用的功能，即在較大的字符串中查找較小的搜索模式。

講到這里，我想大家已經(jīng)大致了解了什么是正則表達(dá)式以及它的兩個(gè)特殊字符： .（點(diǎn)）和 *（星號(hào)）。接下來(lái)，我會(huì)為大家介紹更多其他內(nèi)容。

正則表達(dá)式三叉戟

正則表達(dá)式的各個(gè)部分可以由三個(gè)不同的組件組成：

錨點(diǎn)

字符集

修飾符

這三部分構(gòu)成了正則表達(dá)式的三叉戟！

讓我們從三叉戟的第一個(gè)部分開(kāi)始：錨點(diǎn)！

錨點(diǎn)

錨點(diǎn)指定個(gè)各行的模式位置。下面是兩個(gè)最重要的錨點(diǎn)：

^（插入符號(hào)）將模式固定到行首。例如，模式^1 匹配以 1 開(kāi)頭的任意行。

$（美元符）將模式固定到句尾。例如，9$匹配以 9 結(jié)尾的任意行。

注意，在以上兩種情況下，錨點(diǎn)必須分別位于模式的開(kāi)頭和結(jié)尾。^1 匹配行首的 1，但 1^匹配后跟^的 1。類似地，1$匹配以 1 結(jié)尾的行，但$1 匹配一個(gè)該行任意位置后跟 1 的美元符號(hào)。

字符集

三叉戟的第二部分：字符集。字符集是正則表達(dá)式的基礎(chǔ)。單個(gè)字符，比如 a，是最基本的字符集（一組元素）。但是 [0-9] 等正則表達(dá)式可以匹配任何一個(gè)數(shù)字，或者如果你能回想到 *的含義，則可以制作模式 [0-9][0-9]（這個(gè)模式匹配的內(nèi)容留給讀者作為練習(xí)）。

其他一些重要的字符集：

[0-9] 匹配 0…9 中的任何一個(gè)數(shù)字

[a-z] 匹配任何小寫(xiě)字母

[A-Z] 匹配任何大寫(xiě)字母

我們還可以對(duì)多個(gè)字符集進(jìn)行組合：

[A-ZA-Z0-9] 匹配任何大小寫(xiě)字母和單個(gè)數(shù)字。

修飾符

此部分內(nèi)容沒(méi)有深入展開(kāi)，以前面遇到的一個(gè)修飾符 *（星號(hào)）為例。修飾符改變它前面字符的含義。還有很多其他的修飾符，但以* 為例進(jìn)行討論是一個(gè)很好的開(kāi)始。

如下所示：讓我們快速將文本轉(zhuǎn)儲(chǔ)到文件中。

$ echo "The cat jumps long time Then we also have the fact that these are words. 1234 this is a test post please ignore." >> grep.txt

這是現(xiàn)在文件中的內(nèi)容。

$ cat grep.txtThe cat jumps long timeThen we also have the fact that these are words.1234thisisatestpostpleaseignore.

尋找 cat。

$ grep "cat" grep.txtThe cat jumps long time

尋找任何以數(shù)字^[0-9] 開(kāi)始的任意行。

$ grep "^[0-9]" grep.txt1234 this is a test post please ignore.

就是這樣！你剛剛使用了正則表達(dá)式。太棒了。

總結(jié)

回顧一下這篇博客的內(nèi)容：

正則表達(dá)式的基本功能；

正則表達(dá)式的三個(gè)主要組件：錨點(diǎn)、字符集和修飾符。

.（點(diǎn)）、*（星號(hào)）、^（插入符）和$（美元符號(hào)）。

一些字符集 [0-9]、[a-z]、[A-Z] 和它們的組合。

這篇博客的目的是通過(guò)帶插圖的介紹使用戶更輕松地了解正則表達(dá)式。

如果能夠克服技術(shù)上的困難，則最終可以掌握這種相對(duì)簡(jiǎn)單但功能卻很強(qiáng)大的正則表達(dá)式工具，從而為任何數(shù)據(jù)科學(xué)家?guī)?lái)寶貴的價(jià)值。