Python——正则表达式

序言

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。

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，不匹配。

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。

基础知识

我们要首先了解如何用字符来描述字符。

• \d可以匹配一个数字
• \w可以匹配一个字母或数字
• \s可以匹配一个空格（也包括Tab等空白符）
• .可以匹配任意字符
• 如果匹配特殊字符例如‘-’等，需要在前面添加‘ \’转义

'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'；
'py.'可以匹配'pyc'、'pyo'、'py!'

匹配变长的字符串
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1个字符
• 用{n}表示n个字符
• 用{n,m}表示n-m个字符

下面看一个例子：\d{3}\s+\d{3,8}

1. \d{3}表示匹配3个数字，例如110
2. \w+表示至少匹配一个空格，例如‘ ’
3. \d{3,8}表示3-8个数字，例如12345678

如果要精确匹配
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。

^abc$就可知表示整行匹配‘abc’

re模块

Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：

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

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'

这里说的字符串时要进行匹配的字符串
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。常见的判断方法就是：

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

例：

import re

s = r'123-12345'
if re.match(r'\d{3}-\d{3,8}$', s):
    print("成功")
else:
    print("失败")

正则表达式切分字符串

正常的切分代码：

print( 'a b   c'.split(' ')) #['a', 'b', '', '', 'c']

无法识别连续的空格，若用正则表达式：

import re

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

无论多少个空格都可以正常分割。加入,试试：

import re

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

正则表达式提取子串

用()表示的就是要提取的分组（Group）。比如：

^(\d{3})-(\d{3,8})$分别定义了两个组：

import re

m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
print(m.group(0)) #010-12345
print(m.group(1)) #010
print(m.group(2)) #12345

如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。

注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。

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。举例如下，匹配出数字后面的0：

import re

print(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。

必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让\d+采用非贪婪匹配

正则表达式的使用

当我们在Python中使用正则表达式时，re模块内部会干两件事情：

1. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
2. 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，出于效率的考虑，我们可以预编译(使用compile() 方法)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
#预编译
m = re.compile(r'^(\d+)(0*)$')
#使用
print(m.match(r'102300').groups())