python3 匹配空格 正则_玩转正则表达式

一、什么是正则表达式

在介绍正则表达式前，我们需要树立一个概念：所有内容本质上都是一个字符，比如我们书写的文字就是一连串字符组成的字符串；比如字母，数字，标点符号和其他符号等等。

正则表达式（Regular Expression，常简写为regex、regexp或RE），是一组由字母和符号组成的特殊文文本，所有内容本质都是一个字符，在日常的编程中，经常使用正则表达来来检索、替换、提取文档中的内容。

比如我们需要搜索Hello World! 中的字符时，只需要一个正则表达式Hello，即可完成匹配。

"Hello" => Hello World!.

正则表达式适用于不同编程语言，规则还是重点，无论是C++，Java还是Python的编程使用正则表达式的规则基本一致，只是调用不同方法，因此学会了正则表达式的规则就可以在不同编程语言使用，本文为了让读者更加直观的理解规则，使用Python作为示例。

二、元字符

正则表达式主要由元字符组成。 这些元字符不再表示它们原本的意思，而是有特殊的含义。下面是常用的元字符在正则表达式中的含义：

元字符	含义
^	匹配一行的开始
$	匹配一行的结束
.	匹配任意的字符
s	匹配空格
S	匹配任意的非空格字符
d	匹配数字（范围为0-9）
D	匹配不是数字的字符
*	重复一个字符至少0次
+	重复一个字符至少1次
[abc]	匹配abc中的一个字符
^[abc]	匹配非abc中的一个字符
[a-z0-9]	字符集可以包含一个范围
(	指示从何处开始提取字符串
)	指示字符串提取将在何处结束

三、如何使用正则表达式

在Python中使用正则表达式之前，需要先使用import re导入正则表达式库。在日常使用中，主要用到re.search() 和 re.findall()两个方法来检索和提取文本内容，后续的内容将会结合这两个方法和正则表达式的规则进行分享。

如果您使用其他的编程语言，也可以找到对应的方法。

import re

3.1 基本匹配

方法re.search()用于查找字符串中和正则表达式相匹配的内容，如果存在相匹配的内容，返回一个Match对象；未找到匹配项，则返回None。

在日常文本提取和爬虫中，常用于判断语句中，如果检索的字符串存在相应的内容，再进行进一步的操作，例如，判断字符串Hello, World中是否含有Hello，如果存在则输出原来的字符串。

string = 'Hello, World'
if re.search('Hello', string):
    print(string)
else:
    print('Cannot find!')
Hello, World

3.2 数字提取

字符包括字母，也包括数字。数字0-9也是字符，可以使用字符d匹配0到9之间的任何数字。+字符d表示它是一个元字符。

string = '123abc'
string_2 = '12abc'
if re.search('ddd', string):  # string中包含123三个数字可以匹配
    print(string)
if re.search('ddd', string_2): # string中仅包含12两个数字无法匹配
    print(string_2)
123abc

3.3 任意字符

在某些纸牌游戏中，大小王可以代表任何纸牌。在正则表达式中，元字符.功能类似。可以匹配任何单个字符（字母，数字，空格等等）。

.常用于知道具有相同的模式或结构但不确定内容的文本，例如：电话号码、邮政编码等等。

string = '0755-123'
string_2 = '0755-abc'
if re.search('....-...', string):
    print(string)
if re.search('....-...', string_2):
    print(string_2)
0755-123
0755-abc

3.4 特定字符

上一节中元字符.功能非常强大，但有时功能太强大；例如，上述的字符串0737-abc包含字母也被匹配上了，事实上电话号码中并不含有字母。

正则表达式中方括号[]表示匹配特定字符，例如，[123]仅匹配1，2，3三个数字中的一个，而不匹配其他项。

string = '0755-123'
string_2 = '0737-abc'
if re.search('....-[123][123][123]', string):
    print(string)
if re.search('....-[123][123][123]', string_2):
    print(string_2)
0755-123

3.5 字符范围

除了匹配或排除特定字符之外，如果我们要匹配连续范围内的字符的字符时，可以通过使用-破折号来指示字符范围，例如，[0-6]将只匹配从0到6的任何一位数字，而没有其他字符。同样,[^n-p]将仅匹配除n至p之外任何单个字符。

一个方括号内也可以使用多个字符范围，例如，[A-Za-z0-9_]，通常用于匹配英文文本中的字符。

string = 'abc-123'
string_2 = 'xyz-124'
if re.search('...-[1-3][1-3][1-3]', string): 
    print(string)
if re.search('...-[1-3][1-3][1-3]', string_2):
    print(string_2)
abc-123

3.6 重复

ddd会精确匹配三位数字，但是如果匹配20个数字，这些的写法就会变得不方便并且影响程序的美观，一种更方便的方法是使用{}大括号指定每个字符要重复多少次。例如，d{20}就可以完成20个数字的匹配.

此外，正则表达式可以指定此重复次数的范围，例如，a{1,3}表示匹配不超过3次，但不少于一次。

大括号{}可以与任何字符或者元字符一起使用，例如，[wxy]{5}表示重复五个字符，每个字符可以是w，x或y。

string = 'aaaaaaaa-111'
string_2 = 'xyzzxzy-124'
if re.search('[a]{8}-d{3}', string):
    print(string)
if re.search('[xyz]{6}-', string_2):
    print(string_2)
aaaaaaaa-111
xyzzxzy-124

3.7 至少

元字符*或者+以匹配任意数量的字符，例如：使用d*可以匹配任意个数的数字，d+匹配至少包含一位数字。

在正则表达式中，我们可以将任何字符或特殊元字符一起使用，组成更加复杂的内容匹配，例如，[abc]+匹配a，b或c任何字符中的一个或多个。

string = 'aaaaaaaa-111'
string_2 = 'xyzzxzy-124'
if re.search('[a]+-d{3}', string):
    print(string)
if re.search('[xyz]*-', string_2):
    print(string_2)
aaaaaaaa-111
xyzzxzy-124

3.8 可选字符

?元字符表示可选，用于匹配文本中不确定的字符，例如，ab?c将匹配字符串“abc”或“ac”，b被认为是不确定的内容.

string = 'abc-123'
string_2 = 'ac-124'
if re.search('ab?c', string): 
    print(string)
if re.search('ab?c', string_2):
    print(string_2)
abc-123
ac-124

3.9 空白

在实际处理文本时，经常遇到空格。最常见的空格形式是空格(␣)，制表符(t)，换行符(n)和回车符(r)等，s将任何特定空格匹配，在处理原始输入文本时非常有用。

string = '   abc-123'
string_2 = 'ac124'
if re.search('s', string):
    print(string)
if re.search('s', string_2):
    print(string_2)
abc-123

3.10 开始和结束

^和$元字符定义一个行的开始和结束；例如，我们可以使用^abc来仅匹配以“abc”开头的行，可以使用123$来匹配以“123”结束的行。

string = 'abc-123'
string_2 = 'ac124'
if re.search('^abc', string): 
    print(string)
if re.search('^abc', string_2):
    print(string_2)
abc-123
string = 'abc-123'
string_2 = 'ac124'
if re.search('123$', string):
    print(string)
if re.search('^123$', string_2):
    print(string_2)
abc-123

3.11 逻辑运算符

在正则表达式中，可以使用|表示逻辑“或”运算，匹配可能的字符。例如，(abc|xyz)可以匹配abc或xyz，

string = 'abc-xyz'
string_2 = 'xyz-abc'
if re.search('^abc|xyz', string): 
    print(string)
if re.search('^abc|xyz', string_2):
    print(string_2)
abc-xyz
xyz-abc

3.12 嵌套

面对复杂数据时，我们也许需要提取多层信息，()可以用于提取嵌套的信息，例如，1280x720中，我们学要提取1280和720这两个数字，而不要提取x这个符号。

Python中re.findall()方法，常用于文本的提取，第一个参数是对应的正则表达式，第二个参数是需要提取的文本内容。

string = '1280x720-abc-abc'
string_2 = 'ac124-abc-'
print(re.findall('(d{4})x(d{3})',string))
print(re.findall('(abc)-',string_2))
[('1280', '720')]
['abc']

3.13 贪婪匹配

贪婪匹配是指正则表达式会尽可能长的匹配字符串，例如,用^F.+:匹配字符串'From: Michael, Reason: the'时，会匹配到'From: Michael, Reason:'，而非'From:'。

正则表达式默认采用贪婪匹配，我们可以使用?将贪婪匹配转化为非贪婪匹配匹配；将上述^F.+:修改为^F.+?:就可以只匹配到'From:'。

string = 'From: Michael, Reason: the'
print(re.findall('^F.+:',string))
print(re.findall('^F.+?:',string))
['From: Michael, Reason:']
['From:']

常用匹配

下面是经常使用的匹配规则，无需逐一掌握，在需要使用正则表达式时，可以对照此表，结合上述掌握的规则，基本可以实现日常需求。

数字匹配

1. 数字：^[0-9]*$
2. n位的数字：^d{n}$
3. 至少n位的数字：^d{n,}$
4. m-n位的数字：^d{m,n}$
5. 正数、负数、和小数：^(-|+)?d+(.d+)?$
6. 小数：^(-?d+)(.d+)?$
7. 正小数：^[1-9]d*.d*|0.d*[1-9]d*$ 
8. 负小数：^-([1-9]d*.d*|0.d*[1-9]d*)$ 
9. 非负整数：^d+$ 或 ^[1-9]d*|0$
10. 非正整数：^-[1-9]d*|0$
11. 非负小数：^d+(.d+)?$
12. 非正小数：^((-d+(.d+)?)|(0+(.0+)?))$

字符串

1. 26个英文字母组成的字符串：^[A-Za-z]+$
2. 26个大写英文字母组成的字符串：^[A-Z]+$
3. 26个小写英文字母组成的字符串：^[a-z]+$
4. 数字和26个英文字母组成的字符串：^[A-Za-z0-9]+$
5. 数字、26个英文字母或者下划线组成的字符串：^w+$ 或 ^w{3,20}$

特殊需求

1. Email地址：^w+([-+.]w+)*@w+([-.]w+)*.w+([-.]w+)*$
2. 域名：[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
3. URL：[a-zA-z]+://[^s]
4. 手机号码：^(13[0-9]|14[0-9]|15[0-9]|16[0-9]|17[0-9]|18[0-9]|19[0-9])d{8}$  
5. 日期格式：^d{4}-d{1,2}-d{1,2}
6. 12个月(01～09和1～12)：^(0?[1-9]|1[0-2])$
7. 一个月的31天(01～09和1～31)：^((0?[1-9])|((1|2)[0-9])|30|31)$ 
8. IP地址：d+.d+.d+.d+