正则表达式 第四篇：贪婪和懒惰匹配
默认情况下，正则表达式进行贪婪匹配。所谓“贪婪”，是指当匹配到多种长度的字符串时，选择最长的；而“懒惰”，是指在匹配多种长度的字符串时，选择最短的。
默认情况下，正则表达在匹配字符时，会把字符消耗掉；可以使用环视结构来匹配位置，使得正则不消耗字符，即正则在匹配文本时，不消耗字符，只匹配位置。
当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的 字符。以这个表达式为例：a.*b，它将会匹配最长的以 a 开始，以 b 结束的字符串。如果用它来搜索 aabab 的话，它会匹配整个字符串 aabab，这被称为贪婪匹配。
有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号 ?。这样.*? 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子：a.*?b 匹配最短的，以 a 开始，以 b 结 束的字符串。如果把它应用于 aabab 的话，它会匹配 aab（第一到第三个字符）和 ab（第四到第五个字符）。
为什么第一个匹配是 aab（第一到第三个字符）而不是 ab（第二到第三个字符）？简单地说，因为正则表达式有另 一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权
一，贪婪特性
贪婪是正则表达式的默认属性，如下的几个例子都说明了正则表达式“贪婪”的特性：
>>> re.findall('hi*', 'hiiiii') ['hiiiii'] >>> re.findall('hi{2,}', 'hiiiii') ['hiiiii'] >>> re.findall('hi{1,3}', 'hiiiii') ['hiii']
二，懒惰特性
当我们期望正则表达式“非贪婪”地进行匹配时，需要通过语法明确说明：
{2,5}? 捕获2-5次，但是选择次数最少的匹配
在这里，问号?可能会有些让人犯晕，因为之前他已经有了自己的含义：前面的匹配出现0次或1次。其实，只要记住，当问号出现在表现不定次数的正则表达式之后时，就表示非贪婪匹配。
正则表达式的非贪婪特性使用?来启动，非贪婪特性共有四种情况：
- *?
- +?
- ??
- {m,n}?
还是上面的那几个例子，用非贪婪匹配，则结果如下：
>>> re.findall('hi*?', 'hiiiii') ['h'] >>> re.findall('hi{2,}?', 'hiiiii') ['hii'] >>> re.findall('hi{1,3}?', 'hiiiii') ['hi']
三，捕获和字符消耗
在正则表达式匹配的过程中，其实存在“消耗字符”的过程，也就是说，一旦一个字符在匹配过程中被检索（消耗）过，后面的匹配就不会再检索这一字符了。
(?=exp) 捕获，但不消耗字符，且匹配exp，返回位置
(?!exp) 捕获，但不消耗字符，且不匹配exp，返回位置
知道这个特性有什么用呢？还是用例子说明，比如，我们想找出字符串中出现过1次以上的单词：
>>> sentence = "Oh what a day, what a lovely day!" >>> re.findall(r'\b(\w+)\b.*\b\1\b', sentence) ['what']
这样的正则表达式显然无法完成任务，为什么呢？原因就是，在第一个(\w+)匹配到what，并且其后的\1也匹配到第二个what的时候，“Oh what a day, what”这一段子串都已经被正则表达式消耗了，所以之后的匹配，将直接从第二个what之后开始。自然地，这里只能找出一个出现了两次的单词。
那么解决方案，就和上面提到的(?=exp)语法相关了。这样的语法可以在分组匹配的同时，不消耗字符串！所以，正确的书写方式应该是：
>>> re.findall(r'\b(\w+)\b(?=.*\b\1\b)', sentence) ['what', 'a', 'day']
如果我们需要匹配一个至少包含两个不同字母的单词，则可以使用(?!exp)的语法：
>>> re.search(r'([a-z]).*(?!\1)[a-z]', 'aa', re.IGNORECASE) >>> re.search(r'([a-z]).*(?!\1)[a-z]', 'ab', re.IGNORECASE) <_sre.SRE_Match object; span=(0, 2), match='ab'>
参考文档：
