正则表达式

参考文章

在正则表达式中, 如果直接给出字符, 就是精确匹配.用\d表示可以匹配一个数字, \w就可以匹配一个字母或者数字, 所以:

• 00\d可以匹配007, 但是无法匹配00A;
• \d\d\d可以匹配010;
• \w\w\d可以匹配py3;

.可以匹配任意字符, 所以:

• py.可以匹配pyc, pyo, py!等等

要匹配变成的字符串, 在正则表达式中, 用*表示任意个字符 (包括0个), 用+表示至少一个字符, 用?表示0个或者1个字符, 用{n}表示n个字符,{n,}至少n个, 用{n, m}表示最少n个字符, 但是不会超过m个:
eg. :
\d{3}\s+\d{3,8}

从左到右解读一下:

• \d{3} = 可以匹配3个数字, 例如:001
• \s+ = 可以匹配至少有一个空格(\s表示一个tab或者空格)
• \d{3,8} = 表示3~8个字符, 例如: 12345, 123, 10929281

综合起来, 上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码.
如果要匹配010-12345这样的号码呢?由于-是特殊字符, 在正则表达式中, 要用\来转义, 所以正则表达式为\d{3}\-\d{3,8}

进阶

要做更精确地匹配, 可以用[]来表示范围, 比如:

• [0-9a-zA-Z\_]可以匹配一个数字,一个字母或者下划线
• [0-9a-zA-Z\_]+可以匹配至少一个数字, 一个字母或者下划线的字符串
• [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或者下划线开头, 后接任意个由一个字母, 数字或者下划线组成的字符串, 也就是Python的合法变量
• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确的限制了变量的长度是1-20个字符(前面1个字母或者下划线+最多19个字母,数字或者下划线组成的字符)

A|B可以匹配A或B, 所以(P|p)ython可以匹配Python或者python
^表示行头, ^\d表示必须以数字开头
$表示行尾, \d$表示必须以数字结尾

python的re模块

有了准备知识, 我们就可以在Python中使用正则表达式.Python中提供的re模块, 包含了所有的正则表达式的功能. 由于Python的字符串本身也用\转义, 所以我们要特别注意:

s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC\-001'

因此强烈建议使用Python的r前缀, 就不用考虑转义的问题了:

s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'

先看看如何判断正则表达式是否匹配:

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

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.常见的判断

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

用正则表达式切分字符串更加灵活

>>> 'a b   c'.split(' ')
['a', 'b', '', '', 'c']

无法识别连续的空格, 那么用正则表达式的话

>>> re.split(r'\s+', 'a b   c')
['a', 'b', 'c']

无卵多少个空格都可以正常的分割. 加入,试一下

>>> re.split(r'[\s\,]+', 'a,b, c  d')
['a', 'b', 'c', 'd']

分组

除了简单的判断是否匹配意外, 正则表达式还有提取子串的强大能力. 用()表示要提取的分组(Group). 比如:^(\d{3})-(\d{3,8})$分别定义了两个组, 可以直接从匹配的字符串中提取出区号和本地号码:

>>> 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对象上使用group()方法提出来子串来.
注意到group(0)永远都是原始字符串, group(1), group(2)表示第1, 2, ......个子串.
提取子串非常有用.比如:

>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')

贪婪匹配

正则匹配默认是贪婪匹配, 也就是尽可能匹配多的字符. 举例如下, 匹配出数字后面的0:

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

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

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

编译

我们在Python中使用正则表达式时, re模块内部会干两件事情:

• 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
• 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, 处于效率的考虑, 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

>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')