Python3学习笔记之-正则表达式（第一篇）

Python3学习笔记之-正则表达式（第一篇）

---

目录

Python3学习笔记之-正则表达式（第一篇）

前言

一、初级

二、进阶

三、re模块

四、切分字符串

五、分组

六、贪婪匹配

七、编译

---

前言

正则表达式在python里面是用于爬虫不可或缺的武器，它的设计思想是用一种描述性的语言给字符串定义一个规则，只要符合规则，我们就认为它匹配了，否则该字符串就不合法。

一、初级

在正则表达式中，如果给出字符，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：

看一个复杂的例子：

\d{3}\s+\d{3,8}

我们来解读一下：

1、\d{3}表示匹配三个数字，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；

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：152 12345678；

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}。

但是，仍然无法匹配'010 - 12345'，因为带有空格。所以我们需要更复杂的匹配方式。

二、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。

^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。

你可能注意到了，py也可以匹配'python'，但是加上^py$就变成了整行匹配，就只能匹配'py'了。

三、re模块

有了准备知识，我们就可以在Python中使用正则表达式了。Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：

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'

先看看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')

四、切分字符串

用正则表达式切分字符串比固定的字符更灵活，请看正常的切分代码：

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

无法识别连续的空格，再试试正则表达式：

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

#加入，试试
re.split(r'[\s\,]+', 'a,b, c  d')
['a', 'b', 'c', 'd']

#加入；试试
re.split(r'[\s\,\;]+', 'a,b; ; c d')
['a','b','c','d']

这在实际开发中可用于，把用户输入的不规范的内容转化成规范的内容。

五、分组

除了简单的判断是否匹配之外，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'

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。

提取子串非常有用。来看一个更凶残的例子：

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]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
m.groups()
#('19', '05', '30')

 这个正则表达式可以直接识别合法的时间。但是有些时候，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])$'

对于'2-30'，'4-31'这样的非法日期，用正则还是识别不了，或者说写出来非常困难，这时就需要程序配合识别了。

六、贪婪匹配

最后需要特别指出的是，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')

七、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')

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。

正则表达式非常强大，这短短的一片只能讲一个皮毛，以后的工作中大家用到就继续学习。