字符串是编程时涉及到的最多的一种数据结构,对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址,虽然可以编程提取@
前后的子串,再分别判断是否是单词和域名,但这样做不但麻烦,而且代码难以复用。
正则表达式是一种用来匹配字符串的强有力的武器。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。
所以我们判断一个字符串是否是合法的Email的方法是:
-
创建一个匹配Email的正则表达式;
-
用该正则表达式去匹配用户的输入来判断是否合法。
因为正则表达式也是用字符串表示的,所以,我们要首先了解如何用字符来描述字符。
在正则表达式中,如果直接给出字符,就是精确匹配。用\d
可以匹配一个数字,\w
可以匹配一个字母或数字,所以:
-
'00\d'
可以匹配'007'
,但无法匹配'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。
要匹配变长的字符,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1个字符,用{n}
表示n个字符,用{n,m}
表示n-m个字符:
来看一个复杂的例子:\d{3}\s+\d{3,8}
。
我们来从左到右解读一下:
-
\d{3}
表示匹配3个数字,例如'010'
; -
\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,例如匹配' '
,' '
等; -
\d{3,8}
表示3-8个数字,例如'1234567'
。
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'\'
转义,所以,上面的正则是\d{3}\-\d{3,8}
。
但是,仍然无法匹配'010 - 12345'
,因为带有空格。所以我们需要更复杂的匹配方式。
进阶
要做更精确地匹配,可以用[]
表示范围,比如:
-
[0-9a-zA-Z\_]
可以匹配一个数字、字母或者下划线; -
[0-9a-zA-Z\_]+
可以匹配至少由一个数字、字母或者下划线组成的字符串,比如'a100'
,'0_Z'
,'Py3000'
等等; -
[a-zA-Z\_][0-9a-zA-Z\_]*
可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者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}
更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)。
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。
你可能注意到了,py
也可以匹配'python'
,但是加上^py$
就变成了整行匹配,就只能匹配'py'
了。
#coding:utf-8
import re
s = 'ABC\\-001'
print s
#强烈建议使用Python的r前缀,就不用考虑转义的问题
s = r'ABC\-001'
print s
m=re.match(r'^\d{3}\-\d{3,8}$','010-12345')
print m
#用group()方法提取出子串来。
print m.group()
# print m.group(1)
# print m.group(2)
print re.match(r'^\d{3}\-\d{3,8}$','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
print 'a b c'.split(' ')
#['a', 'b', '', '', 'c']
print re.split(r'\s+', 'a b c')
print re.split(r'[\s\,]+', 'a,b, c d')
print re.split(r'[\s\,\;]+', 'a,b;; c d')
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])$', t)
print m.groups()
print re.match(r'^(\d+)(0*)$', '102300').groups()
# 贪婪匹配的结果('102300', '')
print re.match(r'^(\d+?)(0*)$', '102300').groups()
#('1023', '00')
#如果一个正则表达式要重复使用几千次,出于效率的考虑,我们可以预编译该正则表达式
re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
print re_telephone.match('010-12345').groups()
print re_telephone.match('010-8086').groups()
#Python中的正则
import re;
email_1 = 'someone@gmail.com';
email_2 = 'bill.gates@microsoft.com';
email_3 = '<Tom Paris> tom@voyager.org';
email_4 = '<Zhaoyn>zhaoyn@bbtree.com';
email_5 = '79152045@qq.com';
email_6 = 'zhao_79152045@163.com';
re_email = re.compile('(\<[\w\s]+\>\s*)?([\w\.\d]+\@[\w\d]+\.[a-z]{3})');
print re_email.match(email_1).group(0);
print re_email.match(email_2).group(0);
print re_email.match(email_3).group(0);
print re_email.match(email_4).group(0);
print re_email.match(email_5).group(0);
print re_email.match(email_6).group(0);