python 正则表达式(regular expression)

主要参考：廖雪峰的官方网站https://www.liaoxuefeng.com/wiki/1016959663602400/1017639890281664

正则表达式：用一种描述性的语言来给字符串定义一个规则，若字符串符合规则，则认为它“匹配”了。

\d 可以匹配1个数字

\w 可以匹配1个字母或数字

. 可以匹配任意字符

\s 可以匹配1个空格（也包括Tab等空白符）

* 表示任意个字符（包括0个）

+ 表示1个及以上字符

? 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

\d{3}\s+\d{3,8}  匹配三个数字 1个及以上的空格 3到8个数字

[] 表示范围

[0-9a-zA-Z\_] 可以匹配 1个 数字、字母或者下划线

[0-9a-zA-Z\_]+ 可以匹配由1个及以上数字、字母或者下划线组成的字符串

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

注：使用python的r前缀，就不用考虑转义的问题了          故 'ABC\\-001' 与 r'ABC\-001'相同

匹配字符串

import re

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

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。

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

>>> 'a b   c'.split(' ')   # 无法识别连续的空格
['a', 'b', '', '', 'c']

>>> re.split(r'\s+', 'a b   c')   # 可识别连续的空格(+表示1个及以上)
['a', 'b', 'c']

分组字符串

用()表示的就是要提取的分组（group）

 m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)   # group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

>>> m.groups()
('010', '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。若想要匹配出数字后面的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')

若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：

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

>>> re_telephone.match('010-12345').groups()
('010', '12345')

>>> re_telephone.match('010-8086').groups()    # 编译后生成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。
('010', '8086')