正则表达式

引言

在开发中会有大量的字符串处理工作，其中经常会涉及到字符串格式的校验。

如何把一个 字符串的特征或者规则告诉计算机，让计算机也能知道我们要描述的是什么样的东西，这个描述的语法就是正则表达式。

概述

正则表达式，又称正规表示式、正规表示法、规则表达式、常规表示法(英文：Regular Expression ,在代码中常简写为regex、regexp或RE)。是计算机科学的一个概念。

正则表达式使用单个字符串来描述、匹配一些列某个句法规则的字符串。

在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

Regular Expression 即“描述某种规则的表达式”。

re模块操作

在Python中使用正则表达式的工具为re模块。

re模块的使用

import re

# 使用match方法进行匹配操作
result = re.match(正则表达式, 要匹配的字符串)

# 如果上一步匹配到数据，可以使用group方法来提取数据
result.group()

re.match是用来进行正则匹配检查的方法，从左到右去匹配
若字符串匹配正则表达式，则match方法返回匹配对象(Match Object)
否则返回None(注意不是空字符串"")
匹配对象Match Object具有group方法，用来返回字符串的匹配部分。

re模块的高级用法

search

在字符串当中进行搜索。

import re
ret = re.search(r"\d+", "阅读数为：9999")
ret.group()

运行结果：'9999'

search方法，从左到右找到第一个匹配的检查就结束，只能拿到第一个。

findall

拿到正则匹配的所有结果

findall返回的是列表类型，显示所有匹配结果

import re
ret = re.findall(r"\d+", "python = 9999, c = 7890, c++= 1234")
print(ret)

运行结果：['9999', '7890', '1234']

sub

sub方法是将匹配到的数据进行替换

sub(规则部分, 要替换的值, 处理的字符串)

返回新的结果

import re
ret = re.sub(r"\d+", "998", "python = 997")
print(ret)

运行结果：'python = 998'

要替换的值可以接收一个函数，来执行特定的规则

import re
def replace(result):
    # result为正则匹配到的值，所以其有group方法
    r = int(result.group()) + 50
    # 该函数一定要有返回值，返回的只能是字符串类型
    return str(r)

ret = re.sub(r"\d+", replace, "python = 1000, php = 0")
print(ret)

运行结果：'python = 1050, php = 50'

split

根据匹配进行切割字符串，并返回一个列表

import re
ret = re.split(r":| ", "info:ly 26 beijing")
print(ret)

运行结果： ['info', 'ly', '26', 'beijing']

表示字符

正则表达式的但字符匹配

字符	功能
.	匹配任意1个字符(除了\n)
[]	匹配[]中列举的字符
\d	匹配数字，即0-9
\D	匹配非数字
\s	匹配空白字符，即 空格、tab键、\t、\n、 \r
\S	匹配非空白
\w	匹配单词字符，即a-z、A-Z、0-9、_
\W	匹配非单词字符

手机号校验

import re
re.match("1[35678]\d\d\d\d\d\d\d\d\d", "13200000000")

[]用法特点：

• 预定义的集合中不能满足个人需求时使用
• [^345678] 对[]中的所有字符取反
• [a-z] "-"表示的是一个范围值
• \d == [0-9]
• \D == [^0-9]
• \w == [a-zA-Z0-9_]
• \W == [^a-zA-Z0-9_]

表示数量

匹配多个字符的相关格式

字符	功能
*	匹配前一个字符出现0次或者无限次，即 可有可无
+	匹配前一个字符出现1次或者无限次，即 至少有1次
?	匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{m}	匹配前一个字符出现m次
{m,}	匹配前一个字符至少出现m次
{m, n}	匹配前一个字符出现从m到n次

手机号校验优化

import re
re.match("1[35678]\d{9}",  "13245678910")

原始字符串描述

import re
mm = "C:\\a\\b\\c"
ret = re.match(r"C:\\a", mm).group()
print(ret)

输出结果：C:\a

以后再去写正则表达式的时候，正则的规则前面通常要加上r，忽略掉里面需要转义的地方。

表示边界

字符	功能
^	匹配字符串开头
$	匹配字符串结尾
\b	匹配一个单词的边界
\B	匹配非单词的边界

手机校验再次优化

import re
re.match(r"^1[35678]\d{9}$",  "13245678910")

因为match方法就是从左到右匹配的，所以^在match方法中体现不是很明显

匹配分组

字符	功能
|	匹配左右任意一个表达式
(ab)	将括号中的字符作为一个分组
\num	引用分组num匹配到字符串
(?P<name>)	分组其别名 （<>定义别名）
(?P=name)	引用别名为name分组匹配到的字符串 （=使用别名）

匹配出0-100之间的数字

import re
# 使用|管道符
re.match(r"[1-9]\d?$|0$|100$", "88" )
# 简化
re.match(r"[1-9]?\d", "88")

邮箱匹配

re.match(r"\w{5, 20}+@(163|126|gmail|qq)\.(com|cn|net)$", "tangerine@qq.com")

贪婪和非贪婪

Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪)，总是尝试匹配尽可能多的字符。

非贪婪则总是尝试匹配尽可能少的字符。

在*、?、+、{m, n}后面加上?，使贪婪变成非贪婪。

# 贪婪
s = "This is a number 234-235-22-423"
ret = re.match(".+(\d+-\d+-\d+-\d+)", s)
ret.group(1)

'4-234-22-423'

# 非贪婪
ret = re.match(".+?(\d+-\d+-\d+-\d+)", s)
ret.group(1)

'234-235-22-423'