一篇文章搞定正则表达式

正则表达式是爬虫，Web开发，数据处理等各类涉及到文本处理的一把锋利的瑞士军刀，是每个程序员必须掌握的一门技能。

1. 正则表达式的7个层级

假设有一段文字：

text = '身高:178，体重：168，学号：123456，密码:9527'

要确定文本中是否包含数字123456，我们可以用in运算符，也可以使用index函数：

text = '身高:178，体重：168，学号：123456，密码:9527'target = '123456'if target in text:print('找到了')print(text.index(target))

但当问题变得复杂的时候，比如找出字符串中所有数字，用基本的字符串处理就不行了。

这不再是一个固定的字符串匹配问题，而是一个模式，一种规则的匹配。

为了解决这个问题，有位叫Stephen的大神在1951年提出了正则表达式。几乎任何一门通用编程语言都有专门的正则表达式的模块，正则表达式英文是regular expressesion，

所以编程语言中的模块名字一般叫re，或者regex等。

Python中的正则表达式处理模块是re。正则表达式就是为了找到符合某种模式的字符串，这些模式包括：是什么字符，重复多少次，在什么位置，有哪些额外的约束。

请注意：这里的每一句话都对应了正则表达式中的一类语法。

1）固定的字符串

要求：确定字符串中是否有123456

import retext = '麦叔身高:178，体重：168，学号：123456，密码:9527'print(re.findall(r'123456', text))

代码说明：

第1行，引入正则表达式模块re

第3行，使用re的findall()方法找到所有符合模式的字符串，这里的模式就是123456，也就是说找到字符串中所有的123456。

findall()方法的第1个参数是模式，第2个参数是要查找的字符串。模式中会有一些特殊字符，所以用r表示这是一个raw字符串，

让Python不要去转义里面的特殊字符。上面程序的运行结果是：[123456]，因为整个字符串中就1个123456。

level1就是一个固定的字符串匹配，可以用传统的字符串匹配解决。

2） - 某一类字符

要求：找出所有的单个的数字

text = '麦叔身高:178，体重：168，学号：123456，密码:9527'print(re.findall(r'\d', text))

这个表达式

\d

表示所有的数字，所以1,7,8,1,6,8等都可以匹配到。这是很简单的模式，只匹配1个单独的数字。

如果你完全没有接触过正则表达式，看着有点懵逼，去我看在B站的视频吧，让我手把手教你！

3） - 重复某一类字符

要求：找所有的数字，比如178，168，123456，9527等。

text = '麦叔身高:178，体重：168，学号：123456，密码:9527'print(re.findall(r'\d+', text))

这个模式

\d+

在\d的后面增加了+号，表示数字可以出现1到多次，所以178等都符合它的要求。

4 ）- 组合level2

要求：找出座机号码

text = '麦叔电话是18812345678，他还有一个电话号码是18887654321，他爱好的数字是01234567891，他的座机是：0571-52152166'print(re.findall(r'\d{4}-\d{8}', text))

\d{4}-\d{8}

这是一个组合的模式，表示前面4个数字，中间一个横杠，后面8个数字。

这里会匹配一个结果：0571-52152166

5 - 多种情况

要求：找出手机号码或者座机号码

text = '麦叔电话是18812345678，他还有一个电话号码是18887654321，他爱好的数字是01234567891，他的座机是：0571-52152166'print(re.findall(r'\d{4}-\d{8}|1\d{10}', text))

比上面有复杂了点，因为使用竖线(|)来表示”或“的关系，就是手机号码和电话号码都可以。

这里会匹配三个结果：18812345678，18887654321，0571-52152166。

6 - 限定位置

要求：在句子开头的手机号码,或座机

text = '18812345678，他还有一个电话号码是18887654321，他爱好的数字是01234567891，他的座机是：0571-52152166'print(re.findall(r'^1\d{10}|^\d{4}-\d{8}', text))

在表达式的最开始使用了^符号，表示一定要在句子的开头才行。这时候只有18812345678能匹配上。

7 - 内部约束

要求：找出形如barbar, dardar的前后三个字母重复的字符串

text = 'barbar carcar harhel'print(re.findall(r'(\w{3})(\1)', text))

这里barbar和carcar会匹配上，但harhel不会被匹配，因为它不是3个字符重复的。

\w{3}表示3个字符，放在小括号中(\w{3})就成为一个分组，而后面的(\1)表示它里面的内容和第1个括号里的内容必须相同，其中的1就表示第1个括号，也就是说3个字符要重复出现两次。

2. 写正则表达式的步骤

如何写正则表达式呢？我总结了几个步骤。不管多复杂，基本上都百试不爽。

我们仍然以包含分机号码的座机电话号码为例，比如0571-88776655-9527，演示下面的步骤：

确定模式包含几个子模式

• 它包含3个子模式：0571-88776655-9527。
• 这3个子模式用固定字符连接。
• 各个部分的字符分类是什么这3个子模式都是数字类型，可以用\d。
• 现在可以写出模式为：\d-\d-\d
• 各个子模式如何重复：

            第1个子模式重复3到4次，因为有010和021等直辖市第2个子模式重复7到8次，

           有的地区只有7位电话号码第3个子模式重复3-4次加上次数限制后，

          模式成为：\d{3,4}-\d{7,8}-\d{3,4}但有的座机没有分机号，

          所以我们用或运算符让它支持两者：\d{3,4}-\d{7,8}-\d{3,4}|\d{3,4}-\d{7,8}

• 是否有外部位置限制
• 没有
• 是否有内部制约关系
• 没有
• 经过一通分析，最后的正则就写成了，测试一下：
• text = '随机数字：01234567891，座机1：0571-52152166，
• 座机2：0571-52152188-1234'print(re.findall(r'\d{3,4}-\d{7,8}-\d{3,4}|\d{3,4}-\d{7,8}', text))
• 最后的结果是：两个座机都可以找出来。

3. 语法规则

正则表达式几十个符号，看似很复杂，但如果能否分清楚类别和作用，就没那么复杂了。

• 字符类别表达- 表达某一类字符，比如数字，字母，3到9之间的任何数字等

  

   

• 字符的重复次数，也叫做量词。比如身份证是数字重复15或18次，也就是：\d{15}或者\d{18}。

  

   

• 组合模式：把多个简单的模式组合在一起，可以是拼接，也可以是二者选其一。

  

   

• 位置：限定模式出现的位置，比如行首，行尾，或者在特定字符之后等。

  

   

• 分组，把一个正则表达式分成几个部分，这样可以重复某个分组，或者指定两个分组必须相同等额外的要求。

  

   

• 其他：

4. Python正则模块re的用法

• python的re模块还比较简单，包括以下几个方法：
• re.search()：查找符合模式的字符，只返回第一个，返回Match对象
• re.match()：和search一样，但要求必须从字符串开头匹配
• re.findall()：返回所有匹配的字符串列表
• re.finditer()：返回一个迭代器，其中包含所有的匹配，也就是Match对象
• re.sub()：替换匹配的字符串，返回替换完成的文本
• re.subn()：替换匹配的字符串，返回替换完成的文本和替换的次数
• re.split()：用匹配表达式的字符串做分隔符分割原字符串
• re.compile()：把正则表达式编译成一个对象，方便后面使用

5. 更多例子

下面举了更多的例子，供大家练习和熟悉。

• 建议先自己尝试去写出相关的正则表达式，再回来看下面的参考答案。
• 匹配Email地址的正则表达式
• 匹配网址URL的正则表达式
• 匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)匹配国内电话号码(0571-87655322，001-87666622，920-209642-964)
• 匹配腾讯qq号
• 匹配中国邮政编码(6位数字)
• 匹配身份证(15位或18位)
• 匹配ip地址形如"carcar"或"barbar"等会重复的三个字符的单词
• ==============分隔符==============
• 现在来看参考答案：
• 匹配Email地址的正则表达式：
• \w+([-+.]\w+)*@\w+([-.]\w+)*.\w+([-.]\w+)*
• 匹配网址URL的正则表达式：[a-zA-z]+://[^s]*
• 匹配帐号是否合法(字母开头，允许5-16字母，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
• 匹配国内电话号码，格式为：区号-号码-分机号，分机号可能没有。d{3,4}-d{7,8}-d{3,4}|d{3,4}-d{7,8}
• 匹配腾讯qq号：[1-9][0-9]{4,}
• 匹配中国邮政编码(6位数字)：[1-9]\d{5}(?!\d)
• 匹配身份证(15位或18位)：\d{15}|\d{18}
• 匹配ip地址：\d+.\d+.\d+.\d+形如"carcar"或"barbar"等会重复的三个字符的单词(\w{3})(\1)获取以"密码:"开头的数字:(?<=密码.)\d+