python正则表达式及其应用

        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。

一、如何描述字符

1、直接给出字符，精确匹配；

2、\d可以匹配一个数字；

3、\w可以匹配一个字母或数字；

4、. 可以匹配任意字符；

5、用 * 表示任意个字符（包括0个）；

6、用 + 表示至少一个字符；

7、用 ？ 表示0个或1个字符，也可以用来表示非贪婪匹配；

8、用 {n} 表示n个字符，用 {n,m} 表示 n-m 个字符;

9、\s可以匹配一个空格（包括Tab等空白符）;

10、对特殊字符（如'-'），要用 '\'转义。

看如下的例子：

'00\d' 可匹配'001'，但不能匹配 '00d'；

'\d\d\d'可匹配'123'；

'\d\w\w'可匹配'3gp'；

'pi.'可以匹配'pip'、'pio'、'pi3'等；

'\d{4}\s+\d{5,8}'进行分析：\d{4}表示匹配4个数字，如'0376'；\s+表示至少有一个空格，如匹配' '、'       '等；\d{5,8}表示5-8个数字，如'9876543'。

二、复杂的匹配方式

1、可以使用[ ]进行更精确的匹配 ，如

（1）[0-9a-zA-Z\_]可以匹配一个数字、字母或下划线；

（2）[0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或下划线组成的字符串，如'1bd'、'd_q0'、'_hi'等；

（3）[a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头、后接任意个由数字、字母或下划线组成的字符串，这是python中合法变量的命名规则；

（4）[a-zA-Z\_][0-9a-zA-Z\_]{0， 19}对变量的长度进行更精确的限制。

2、| 可以表示选择性匹配，如A|B可匹配A或B，故(p|P)ython可以匹配'python'或'Python'；

3、^表示行的开头，$表示行的结束，^\d表示必须以数字开头，\d$表示必须以数字结尾。

三、re模块

        python提供了re模块，包含所有正则表达式功能，因python字符串本身使用\转义，故强烈推荐使用python的r前缀，这样在正则表达式字符串中不需要考虑转义的问题了。

        在re模块中，match可判断字符串与正则表达式是否匹配，若匹配成功，则返回一个Match对象，否则返回None，如：

In [7]: import re

In [8]: re.match(r'^\d{4}\-\d{5,8}$', '0376-987654')
Out[8]: <_sre.SRE_Match object; span=(0, 11), match='0376-987654'>

In [9]: re.match(r'^\d{4}\-\d{5,8}$', '0376- 987654')

In [10]:

三、切分字符串

        使用正则表达式进行字符串的切分，比使用固定的字符更灵活，请看下面几个例子：

        正常的切分：

In [10]: 'a,b,,,c'.split(',')
Out[10]: ['a', 'b', '', '', 'c']

        无法正确的将a, b, c区分开来，下面使用正则表达式进行切分：

In [13]: re.split(r'[\,]+','a,b,,,c')
Out[13]: ['a', 'b', 'c']

        不论有几个','都可以正常的分割，下面加入空格及';'，都可以正常的切分：

In [14]: re.split(r'[\,\s]+','a ,b , , , c')
Out[14]: ['a', 'b', 'c']

In [15]: re.split(r'[\,\;\s]+','a ;,b , ;, , c')
Out[15]: ['a', 'b', 'c']

四、分组

        可以使用正则表达式进行字符串的分组，用()表示的就是要提取的分组（Group）,如：

^(\d{4})-(\d{5,8})$定义了两个组，可以从中直接提取出区号和本地号码：

In [16]: g = re.match(r'^(\d{4})-(\d{5,8})$','0376-987654')

In [17]: g
Out[17]: <_sre.SRE_Match object; span=(0, 11), match='0376-987654'>

In [18]: g.group(0)
Out[18]: '0376-987654'

In [19]: g.group(1)
Out[19]: '0376'

In [20]: g.group(2)
Out[20]: '987654'

        若是在正则表达式中定义了组，就可以在Match对象上用group()提取出字串，需要说明的是：

group(0)表示原始字符串，group(1)、group(2)...依次表示第1、2个字串。提取字串在实际中非常有用，下面是一个提取时间中时分秒的示例：

In [22]: t = '18:57:45'

In [23]: 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)

In [24]: m.groups()
Out[24]: ('18', '57', '45')

五、贪婪匹配

        正则表达式是贪婪匹配的，何为贪婪？就是尽可能多的匹配，如在下面的例子中，会匹配数字后面的'1':

In [25]: re.match(r'^(\d+)(1*)$','12098111111').groups()
Out[25]: ('12098111111', '')

        这是因为\d+采用贪婪匹配，把后面的1全部匹配了，所有1*只能匹配空字符串。让\d+采用非贪婪匹配（即尽可能少的匹配），才可以把后面的1匹配出来，加？就可以让\d+采用非贪婪匹配的模式，看下面的示例：        

In [26]: re.match(r'^(\d+?)(1*)$','12098111111').groups()
Out[26]: ('12098', '111111')

六、编译

        在python中使用正则表达式，re模块内部有两个操作：

        （1）编译正则表达式，若正则表达式语法有错误，则会报错；

        （2）用编译后的正则表达式匹配字符串。

        若一个正则表达式要重复使用成千上万次，从效率的角度考虑，应对正则表达式进行预编译，后面使用的时候就不需要警经历编译这个步骤，而是直接进行匹配，请看下面的示例：

In [28]: import re

In [29]: re_tel = re.compile(r'^(\d{4})-(\d{5,8})$')

In [30]: re_tel.match('0123-12345').groups()
Out[30]: ('0123', '12345')

In [31]: re_tel.match('0371-12090945').groups()
Out[31]: ('0371', '12090945')

        正则表达式编译后生成 正则表达式对象（Regular Expression），已包含正则表达式，所以调用时不需给出正则表达式。

        以上是正则表达式的基本知识，因为最近用的比较多，所以把廖雪峰老师的教程总结在此，便于以后用到时查看。

参考文献：廖雪峰-正则表达式