Python 正则表达式进阶用法：字符集与字符范围详解

正则表达式是文本处理和数据清洗中不可或缺的工具。在前面的学习中，我们已经了解了基本的正则表达式匹配，如匹配单个字符、字符串开始和结束的位置等。今天，我们将进入正则表达式的一个进阶主题：字符集（Character Set）和字符范围（Character Range）。

这两个概念是正则表达式强大匹配功能的基石。掌握它们后，您能够更高效地处理各种文本模式，进行更复杂的数据匹配和清洗。

一、字符集（Character Set）的概念

字符集（Character Set）是正则表达式中用于匹配特定一组字符的集合。字符集可以包含多个字符，也可以使用特殊的字符类来匹配一组常见的字符。

字符集的基本形式是将字符放入一对方括号 [] 中。例如，[abc] 匹配字符 a、b 或 c 中的任意一个。字符集是正则表达式中非常常见且重要的组成部分。

示例：简单的字符集匹配

假设我们有一个字符串 text = "apple banana cherry", 并且我们希望匹配所有包含字母 a、b 或 c 的单词：

import re

text = "apple banana cherry"
pattern = r"\b[abc]\w*\b"  # 匹配以 a, b, c 开头的单词
matches = re.findall(pattern, text)

print(matches)

在这个例子中：

• \b 表示单词边界，确保我们匹配的是完整的单词。
• [abc] 是字符集，表示我们要匹配的字符可以是 a、b 或 c 中的任意一个。
• \w* 匹配单词字符（字母、数字和下划线），* 表示匹配零次或多次。

输出结果：

['apple', 'banana', 'cherry']

这里的正则表达式成功地找到了所有以 a、b 或 c 开头的单词。

字符集中的特殊字符

字符集不仅限于字母和数字，还可以使用一些特殊字符来匹配特定类型的字符。例如：

• \d：匹配任何数字，相当于 [0-9]。
• \w：匹配任何字母、数字或下划线，相当于 [a-zA-Z0-9_]。
• \s：匹配任何空白字符（如空格、制表符等）。
• .：匹配除换行符外的任何单个字符。

示例：匹配包含数字的单词

如果我们想从文本中匹配包含数字的单词，可以使用 \d 来匹配数字：

text = "apple 123banana cherry 4567"
pattern = r"\b\w*\d\w*\b"  # 匹配包含数字的单词
matches = re.findall(pattern, text)

print(matches)

输出结果：

['123banana', '4567']

在这个例子中，[abc] 被替换为 \d 来匹配包含数字的单词。

二、字符范围（Character Range）的概念

字符范围（Character Range）是正则表达式中用于表示一个连续字符集合的方式。它使用连字符 - 来指定一个字符范围。例如，[a-z] 匹配小写字母的任意一个字符。

示例：匹配小写字母

如果我们要匹配文本中的小写字母，可以使用字符范围 [a-z]：

import re

text = "apple Banana Cherry"
pattern = r"[a-z]"  # 匹配所有的小写字母
matches = re.findall(pattern, text)

print(matches)

输出结果：

['a', 'p', 'p', 'l', 'e', 'a', 'n', 'a', 'b', 'a', 'n', 'a']

在这个例子中，正则表达式 [a-z] 匹配了所有的小写字母，包括 a、p、l 和 e 等。

字符范围的组合

字符范围不仅限于单一范围，还可以组合多个范围来匹配不同类型的字符。例如，[a-zA-Z] 匹配所有的字母，无论是小写还是大写。

text = "apple Banana Cherry 123"
pattern = r"[a-zA-Z]"  # 匹配所有字母（包括大小写）
matches = re.findall(pattern, text)

print(matches)

输出结果：

['a', 'p', 'p', 'l', 'e', 'B', 'a', 'n', 'a', 'n', 'a', 'C', 'h', 'e', 'r', 'r', 'y']

示例：匹配小写字母、数字和下划线

我们可以使用 \w 来匹配字母、数字和下划线，它等同于 [a-zA-Z0-9_]：

text = "apple_123 Banana Cherry_456 789"
pattern = r"\w+"  # 匹配字母、数字和下划线组成的单词
matches = re.findall(pattern, text)

print(matches)

输出结果：

['apple_123', 'Banana', 'Cherry_456', '789']

在这个例子中，\w+ 匹配一个或多个字母、数字或下划线。

三、使用字符集和字符范围匹配复杂的模式

字符集和字符范围为正则表达式提供了强大的灵活性，能够帮助我们匹配更复杂的文本模式。接下来，我们将通过一些实际的例子，演示如何使用字符集和字符范围来匹配更复杂的字符串。

示例：匹配包含数字和字母的单词

假设我们有以下文本，并希望匹配包含字母和数字的单词：

text = "apple 123banana Cherry_456 789"
pattern = r"\b[a-zA-Z0-9_]+\b"  # 匹配包含字母、数字和下划线的单词
matches = re.findall(pattern, text)

print(matches)

输出结果：

['apple', '123banana', 'Cherry_456', '789']

在这个例子中，\b[a-zA-Z0-9_]+\b 表示匹配由字母、数字和下划线组成的单词。

示例：匹配日期格式（yyyy-mm-dd）

假设我们有一个日期格式为 yyyy-mm-dd 的字符串，并且希望提取所有日期：

text = "Today is 2023-11-05, tomorrow is 2023-11-06."
pattern = r"\b\d{4}-\d{2}-\d{2}\b"  # 匹配日期格式
matches = re.findall(pattern, text)

print(matches)

输出结果：

['2023-11-05', '2023-11-06']

在这个例子中，\d{4}-\d{2}-\d{2} 匹配由 4 位数字、2 位数字和 2 位数字组成的日期。

示例：匹配手机号

如果我们想从文本中提取手机号，可以使用字符集和字符范围来匹配符合格式的手机号。假设手机号的格式为 “(xxx) xxx-xxxx”：

text = "My number is (123) 456-7890 and your number is (987) 654-3210."
pattern = r"\(\d{3}\) \d{3}-\d{4}"  # 匹配手机号
matches = re.findall(pattern, text)

print(matches)

输出结果：

['(123) 456-7890', '(987) 654-3210']

在这个例子中，\(\d{3}\) \d{3}-\d{4} 匹配括号中的三位数字和格式为 “xxx-xxxx” 的电话号码。

四、字符集和字符范围的注意事项

虽然字符集和字符范围是正则表达式非常强大的特性，但在使用时有一些注意事项需要了解：

1. 字符集是贪婪的：如果没有使用 ^ 或 $ 来限制匹配的起始和结束位置，正则表达式会尽可能匹配更多的字符。
2. 字符范围的顺序很重要：字符范围中的顺序会影响匹配的结果，例如，[a-zA-Z] 和 [A-Za-z] 都可以匹配字母，但如果定义的字符范围顺序不同，结果会有所不同。

五、总结

通过本文的讲解，我们深入了解了 Python 正则表达

式中的字符集和字符范围。这些进阶用法为我们提供了强大的匹配能力，可以应对各种复杂的文本处理任务。通过合理使用字符集和字符范围，我们能够高效地提取文本中的信息，进行数据清洗和转换。

在实际应用中，正则表达式的强大功能不仅限于这两个概念，还可以与其他高级特性如分组、反向引用等结合使用，从而实现更为复杂的文本匹配任务。掌握字符集和字符范围，将大大提高我们编写正则表达式的效率和准确性。