Python基础学习11(正则表达式)

Python基础学习（正则表达式）

来源自廖雪峰Python以及rb教程
话不多说，开始学习

正则表达式

字符串是一种编程时设计最多的数据结构，比如，判断一个字符串是否是合法的Email地址，虽然，可以编程提取 @ 前后的子串，再分别判断是否是单词和域名，但是麻烦，代码难以复用。

正则表达式，是一种用来匹配字符串的强有力的工具，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。

我们判断一个字符串是否是合法的Email的方法是：
1、创建一个匹配Email的正则表达式
2、用该正则表达式去匹配用户的输入来判断是否合法。

因为，正则表达式也是用字符串表示的，所以，应该先了解如何用字符来描述字符。

在正则表达式中，如果直接给出字符，就是精确匹配。用 \d 可以匹配一个数字，\w 可以匹配一个字母或数字，所以：

‘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’;
. 可以匹配任意字符，所以:
'py.‘可以匹配’pyc’、‘pyo’、'py!'等等

要匹配变长的字符，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:

E.g
\d{3}\s+\d{3,8}

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任意个空格隔开的带区号的电话号码。

如果，要匹配’010-12345’的电话号码，由于’-‘是特殊字符，在正则表达式中，要’'转义，所以，上面的正则是

\d{3}\-\d{3,8}  

但是任然无法匹配’010 - 12345’，因为带有空格。所以需要更复杂的匹配方式。

进阶

要做更精确的匹配，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
py 也可以匹配 ‘python’,但是加上 ^py$ 就变成整行匹配，就只能匹配’ py '了

re模块

Python提供 re 模块，包含所有正则表达式的功能。而Python的字符串本身也使用 \ 转义，所以要注意：

s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成:
'ABC\-001'
即：s = 'ABC\-001'

使用Python 的 r 前缀，就不用考虑转义的问题了。

如何判断正则表达式是否匹配：

>>>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。
常见判断的方法是：

>>>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

正则表达式切分字符串比用固定的字符更灵活，
正常的切分代码：

>>>'a b	c'.split(' ')
['a','b','','','c']

发现，无法识别连续的空格，使用正则表达式：

>>>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：

>>>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']

如果用户输入了一组标签，可以使用正则表达式将不规范的输入转化成正确的数组。

分组

除了简单判断是否匹配之外，正则表达式还有提供子串的强大功能。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：

E.g
>>>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'

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。
子串非常有用，

E.g
>>>t = '19:05:30'
>>>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]|[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$',t)
>>>m.groups()
('19','05','30')

正则表达式可以直接识别合法的时间。有些时候，用正则表达式也无法做到完全验证，比如识别日期：

'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9}|3[0-1]|[0-9])$'

比如’2-30’,'4-31’这样的非法日期，用正则还是识别不了，或者很困难，就需要程序配合识别。

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，匹配数字后面的 0：

>>>re.match(r'^(\d+)(0*)$','102300').groeps()
('102300','')

由于 \d+ 采用贪婪匹配，直接把后面的 0 全部匹配了，结构 0* 只能匹配空字符串了。
必须让 \d+ 采取非贪婪匹配(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：

>>>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：
1、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;
2、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需要重复使用多次，为了效率，我们可以预编译该正则表达式，接下来重复使用，就不需要编译了，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')

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。