一篇读懂正则表达式

基础

\d可以匹配一个数字
\w可以匹配一个数字或字母或_
\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（数量为1）
*表示任意个字符（包括0个）
+表示至少一个字符
?表示0个或1个字符
{n}表示n个字符
{n,m}表示n-m个字符
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。 (注意\W和\S为对应\w和\s的取反)

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：

1.\d{3}表示匹配3个数字，例如’010’；

2.\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；

3.\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}

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

py也可以匹配python，但是改为^py$就变成了整行匹配，就只能匹配py了

re模块

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’
因此我们强烈建议使用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’
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 = ‘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

用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：

‘a b c’.split(’ ‘)[‘a’, ‘b’, ”, ”, ‘c’]
嗯，无法识别连续的空格，用正则表达式试试：

re.split(r’\s+’, ‘a b c’)
[‘a’, ‘b’, ‘c’]
都可以正常分割。加入,试试：

re.split(r’[\s,]+’, ‘a,b, c d’)
[‘a’, ‘b’, ‘c’, ‘d’]
再加入;试试：

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

分组

除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。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，可以直接从匹配的字符串中提取出区号和本地号码：

m = re.match(r’^(\d{3})-(\d{3,8})$’, ‘010-12345’)>>> m
<_sre.SRE_Match object; span=(0, 9), match=’010-12345’>>>> m.group(0)’010-12345’>>> m.group(1)’010’>>> m.group(2)’12345’

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：

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：

re.match(r’^(\d+?)(0*)$’, ‘102300’).groups()
(‘1023’, ‘00’)

编译

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# 编译:>>> re_telephone = re.compile(r’^(\d{3})-(\d{3,8})$’)# 使用：>>> re_telephone.match(‘010-12345’).groups()
(‘010’, ‘12345’)>>> re_telephone.match(‘010-8086’).groups()
(‘010’, ‘8086’)