正则表达式

学习记录
廖雪峰Python教程-正则表达式

正则：它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

精确匹配

直接给出字符-> 精确匹配
\d 匹配一个数字
\w 一个字母或数字
. 可以匹配任意字符

例：\w\w\d 匹配 py3
py.可以匹配pyc pyo py!

匹配变长的字符

*表示任意个字符（包括0个）
+表示至少一个字符
?表示0个或1个字符
{n}表示n个字符
{n,m}表示n-m个字符

例：\d{3}\s+\d{3,8}
\d{3}表示匹配三个数字， \s可以匹配一个空格（也包括Tab等空白符），所以\s表示至少有一个空格，\d{3,8}表示3-8个数字，所以此正则表达式可以匹配任意个空格隔开的带区号的电话号码。

例：如果要匹配‘010-12345’，由于‘-’是特殊字符，在正则表达式中，要用‘\’转义，\d{3}-\d{3,8}

进阶

要做更精确地匹配，可以用[ ]表示范围：

• [0-9a-zA-Z_] 匹配一个数字、字母或下划线
• [0-9a-zA-Z_]+ 匹配至少由一个数字、字母或者下划线组成的字符串,如’a100’,’0_Z’,’Py3000'
• [a-zA-Z_][0-9a-zA-Z_]* 匹配由字母或下划线开头，后接任意个由数字、字母或下划线组成的字符串，也就是Python合法的变量
• [a-zA-Z_][0-9a-zA-Z_]{0-19} 限制了变量的长度是1-20个字符 （前面一个，后面最多19个）

A|B A或B

• ^表示行的开头， ^\d表示必须以数字开头
• $表示行的结束，\d$表示必须以数字结束

Python Re模块

match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None

re.match(r'^\d{3}\-\d{3,8}$','010-12345')

test='用户输入的字符串'
if re.match(r'正则表达式',test):
  print('ok')
else:
  print('failed’)

切分字符串

'a b   c'.split(' ')
re.split(r'\s+','a b   c') #识别连续的空格，用正则
re.split(r'[\s\,]+','a,b, c d') #加入，
re.split(r'[\s\,\;]+','a,b;; c d’)

分组

除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（Group）

>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
‘12345'

如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。

贪婪匹配

最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')

由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让\d+采用非贪婪匹配：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

编译

当我们在Python中使用正则表达式时，re模块内部会干两件事情：

1. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
2. 用编译后的正则表达式去匹配字符串。

如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：

#编译
re_telephone=[re.compile(r](http://re.compile(r/)'^(\d{3})-(\d{3,8})$')
#使用
re_telephone.match('010-12345').groups()