正则表达式提供了一整套描述文本特征的方法，它的匹配其实也就是查找符合所描述特征的文本的过程。

按照元素(单个字符、字符组、多选分支等等)的出现情况，这些特征分为三类，也可称为三种逻辑：必须出现、可能出现、不能出现；具体解释如表 1。 表1  关于元素的三种逻辑 HTML 中的 open tag (如<h1>)和close tag (如</h1>)，按三种逻辑分析如下。 必须出现 “必须出现”是正则表达式中最普通的逻辑关系，它表示某个元素必须出现。通常，这些元素是所要匹配文本的最重要特征：查找 tag ，则必须出现的是字符<和>；查找 E-mail 地址，必须出现的元素是@。 如果某个元素必须出现，通常不会(也不应该)用量词(*、?)来限制，也不出现在多选结构中(如果把普通的字符串也看作正则表达式，那么其中每个字符都是必须出现的)。所以，如果在匹配 tag 的正则表达式中，<和>出现在某个多选结构内，或者之后跟有?、*之类的量词，那么这个表达式多半有问题；同样，在匹配 E-mail 地址的正则表达式中的@字符，也不应该有量词限定，或者出现在多选结构内部。 这条要求看起来简单，但是在日常使用中却容易犯错误。经常遇到的情况是，为了考虑更多的可能情况而修改正则表达式，增加量词和多选结构，最后正则表达式中没有任何必须出现的元素。比如匹配数字字符串的正则表达式，一个数字字符串可能包含三个部分：开头的+或-、整数部分、小数点和小数部分，然后分别列出匹配这三个部分的正则表达式。 可能出现 与普通字符串处理相比，“可能出现”可以算作正则表达式最明显的特征，也是最常用的逻辑。虽然它看起来很直观，但细说起来，它其实分为两种情况：从元素外来看，元素可能出现也可能不出现，或者出现次数不确定；从元素内来看，元素可能表现为一种形态，也可能表现为另一种形态。 第一种情况需要用量词。在匹配双引号字符串的正则表达式中，两个双引号字符是必须出现的，它们之间的文本可能出现，也可能不出现，如果出现，长度没有限制，所以用*来限制；在匹配 tag 的正则表达式中，<和>之内的 tag 名，必须包括至少一个字符，所以用+来限制。 第二种情况需要使用字符组或多选结构。如果各种可能形态都是单个字符，则使用字符组，比如上一节匹配数字字符串正则表达式中的[-+]，它说明“此处可能出现+号，也可能出现-号”。如果某一种可能形态不只是一个字符，比如this或that，则应该使用多选分支(this|that)。 回过头来看数字字符串的匹配，根据上一节的分析，符号部分、整数部分、小数部分(包括小数点)都是可能出现的，但这种“可能”其实是需要细分的。 符号部分的“可能出现”其实是“可能出现也可能不出现的”；整数和小数部分的可能出现情况要复杂一点，需要研究可能出现的几种形态：只出现整数部分；只出现小数部分；整数部分和小数部分都出现。 不能出现 “不能出现”是正则表达式中最难处理的。 最简单的“不能出现”可以直接使用排除型字符组，它表示“此处必须出现一个字符，但不能是某些字符”。比如匹配双引号字符串，首尾两个双引号之间的字符，都不能出现双引号字符，用[^"]表示，上一节说到，这部分长度可以为零，应当使用量词*，所以整个表达式就是"[^"]*"。 再比如匹配 html tag ，在<和>之间“不能出现”>，用[^>]表示，应当使用量词+，所以整个表达式就是<[^>]+>，这个表达式仍然可能错误匹配</>。为解决这个问题，还需要细分两种可能：如果<之后是/，则还必须出现至少一个不为>的字符，比如</a>，应当使用表达式/[^>]+；如果<之后出现的字符不是/，则在这个字符之后，>之前，还可能出现>之外的字符，并且可能不出现，如果出现，长度没有限制，比如在<a>中，在[^>]匹配之后，>之前，就没有任何字符了，所以应当使用表达式[^/][^>]*。 不过，这只是最简单的情况；更复杂的情况是，在某个字符串中不容许出现某个字符串，比如 E-mail 地址中的用户名( username )就是如此。 点号和横线不能出现在开头的情况比较好满足，可以用\w匹配“非点号非横线字符”，既然整个用户名不能超过 64 个字符，那么之后的字符串长度不超过 63 个字符。综合起来，得到[\w][\w.]{0,63}。可是，不容许出现连续两个点号的要求则很难满足，所以下面集中讨论“不超过 63 个字符”部分的匹配。 要求不能出现两个连续点号，许多人的直观反应是[^.][^.]，所以整个表达式改为[\w.]{0,63}[^.][^.][\w.] {0,63}。但是这样行不通，原因有两点：首先，在[^.][^.]前后的两个[\w.]{0,63}能匹配的文本，总长度其实在 0~126 之间，无论我们如何修改量词，也不能在两个量词之间建立联系，保证总长度在 0~63 之内；其次也是最重要的，[^.][^.]的真正意思是“找到连续的两个非点号字符”，正则表达式匹配时会尽力满足这一要求，即便是类似123..456这样明显包含两个连续点号的文本，[^.][^.]仍然可以在其中找到四处匹配：12、23、45、56，同时左右两侧的[-\w.]{0,63}仍然可以成功匹配。 还有人想到的是效仿排除型字符组，用(^\.\.)来表示“不能出现两个连续点号”，遗憾的是，这样也行不通，因为正则表达式只有排除型字符组，没有“排除型括号”。 那么，不妨反过来思考：不能出现两个连续点号，意思是这段文本中的所有字符的右侧都不能是两个连续点号，用环视表示就是[-\w.](?!\.\.)，这样的字符最多有 63 个。所以，就得到了表达式([-\w.](?!\.\.)){0,63}。请注意，因为[-\w.](?!\.\.)不是单个字符也不是字符组，所以用量词限定时，必须使用括号将整个子表达式分为一组；再在表达式的最开头加上之前提到的\w，保证第一个字符的正确性。从例 1 可以看到，这个表达式完全可以保证字符串不会以点号开头，不会包含连续点号，也不会超出规定长度。  例1  使用环视实现“不能出现”的逻辑

# 注意验证时要在首尾加上 \A 和 \Z usernameRegex = r"\A\w([-\w.](?!\.\.)){0,63}\Z" # 合法的用户名 re.search(usernameRegex, "abc123_") != None  # => True re.search(usernameRegex, "abc1-2.3_") != None  # => True #包含连续点号 re.search(usernameRegex, "abc1-2..3_") != None  # => False #开头字符不合法 re.search(usernameRegex, ".abc1-2.3_") != None  # => False re.search(usernameRegex, "-abc1-2.3") != None      # => False #长度超过限制 re.search(usernameRegex, "0"*65) != None  # => False

  也可以更进一步，把“第一个字符不能是点号或横线”也用环视表达，整个表达式就是(?![-.])([-\w.](?!\.\.)){1,64}。实际上，这个表达式确实更直观、更容易理解，只是注意量词的下限应当改为 1 ，因为用户名不能是空字符串。 总结一下：正则表达式中的“不能匹配”，最简单的情况可以用排除型字符组直接表示，但它只能表示“某个字符不能出现”；如果要表示“某个字符串不能出现”，一般都要用到否定环视，其逻辑是：在文本中的每个位置，都用环视否定“不能出现”的字符串(除此之外，还有另一种逻辑，下面讲解验证操作时会看到)。不过，一些比较古老的工具(比如 Apache 1.3 ，以及 Linux/UNIX 下的某些工具)并不支持否定环视，所以使用时必须留意。 本文节选自《正则指引》一书，余晟著，由电子工业出版社出版。