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}
\d{3}
表示匹配3个数字,例如110
\w+
表示至少匹配一个空格,例如‘ ’
\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:
- 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,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())