正则表达式——Python学习笔记13

正则表达式用来匹配字符串。

设计思想：用一种描述性的语言给字符串定义一个规则。
判断一个字符串是否是合法的Email的方法：

(1)创建一个匹配Email的正则表达式
(2)用该正则表达式去匹配 用户输入的是否合法

基础

常用的正则表达式：

w\d 可以匹配一个数字

\w 可以匹配一个数字和字母

. 可以匹配任意字符

\s 可以匹配空格（也包括Tab等空白符）

限制长度的字符：

* 表示任意字符

+ 表示至少一个字符

? 表示0个或者1个字符

{n} 表示n个字符

{n, m} 表示n-m个字符

匹配以任意个空格隔空的带区号的电话号码：

\d{3}\s+\d{3,8}

\d{3} 表示匹配3个数字

\d{3,8} 表示3-8个数字

如果要在区号后加'-'，则需要转义：\d{3}\-\d{3,8}

进阶

[0-9a-zA-Z\_] 可以匹配一个数字、字母或者一个下划线；


[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，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、字母或者下划线的字符串，也就是Python的合法变量；

[a-zA-Z\_][0-9a-zA-Z\_]{0,19}可以匹配…，限制了变量长度为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，(p\P)ython可以匹配python或Python；

^表示行的开头,^\d表示必须以数字开头；

$表示行的结束，\d$表示必须以数字结尾；

py可以匹配python，但是^py$就变成了整行匹配，只能匹配py了

re模块

re.match()方法判断是否匹配，如果匹配就返回一个对象，失败则返回None：

test='用户输入'
if re.match('正则表达式'， test):
    print('ok')
else:
    print('failed')

切分字符串

用户输入一组标签，用re.split()方法可以把不规范的输入转换成正确的数组：

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

分组

可以在正则表达式中定义组，在Match对象上用group()方法提取子串，用()表示的就是要提取的分组（Group）：

>>> m = re.match(r'^(\d{3})-(\d{3, 8})$', '010-12345')#定义了两个组
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)#代表原始字符串
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

可以识别时间的正则表达式：

>>> 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')

但是有些时候，用正则表达式也无法做到完全验证，如识别日期时无法识别非法日期(‘2-30’，’4-31’)：

'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$’'

贪婪匹配

正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。

>>> 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。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

Python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，如表达式不合法，报错
2.用编译后的正则表达式去匹配字符串。

一个正则表达式要被重复使用，可以 预编译 提升效率，后面无需再重复编译。

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

编译后生成正则表达式(Regular Expression)对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。

练习：
写一个正则表达式，可以提取以下邮箱：
tom@voyager.org
bob@example.com
bill.gates@microsoft.com

# -*- coding: utf-8 -*-
import re

re_pick_up = re.compile(r'^\<?([a-zA-Z\s]+)?\>?\s?([a-zA-Z\.]*)@[a-z]+\.[a-zA-Z]{3}$')#这里不太明白为何第二个分组改成([a-zA-Z\.]+)+就不行了

def name_of_email(addr):
    return re_pick_up.match(addr).group(1)

assert name_of_email('<Tom Paris> tom@voyager.org') == 'Tom Paris'
assert name_of_email('tom@voyager.org') == 'tom'
assert name_of_email('bill.gates@microsoft.com')
assert name_of_email('bill.gates@microsoft.com')
print('ok')