python正则表达式

最新推荐文章于 2024-06-04 13:03:32 发布

whykifan

最新推荐文章于 2024-06-04 13:03:32 发布

阅读量890

点赞数 1

分类专栏： python 文章标签： python

本文链接：https://blog.csdn.net/whykifan/article/details/89358331

版权

python 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

正则表达式

正则表达式

简介

字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在，尤其在爬虫技术的运用当中。比如判断一个字符串是否是合法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，但这样做不但麻烦，而且代码难以复用。

正则表达式是一种用来匹配字符串的强有力的武器。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。

所以我们判断一个字符串是否是合法的 Email 的方法是：

创建一个匹配 Email 的正则表达式；
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，我们要首先了解如何用字符来描述字符。

使用规则

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：

为了体会到正则表达式的使用，举一个栗子：

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

让我们从左到右解读一下：

1. \d{3}表示匹配任意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 \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。

现在的你应该有点感觉到正则表达式的强大了吧(●’◡’●)！

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。

Python当中的re模块：

为了可以在Python当中使用正则表达式，Python提供了re模块，包含了所有正则表达式的功能，由于Python字符串本身也使用\转义，所以应该特别注意：

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 前缀来禁用转义字符 \ 的功能，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'

对于 r 前缀，还需要注意的一点是，如果字符串结束标志，即 ’ 或者 " 前面是一个**\**，即使使用了 r 前缀，Python仍然将它看成不合法的字符：

>>>S = r'a\'
SyntaxError:EOL while scanning string literal

正则表达式的匹配方式:

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

re.match()与re.search()区别

re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

re.match(pattern,  string, flags=0)
#pattern:匹配的正则表达式
#string:要匹配的字符串。
#flags：标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等

re.search 扫描整个字符串并返回第一个成功的匹配。

re.search(pattern,  string, flags=0)
#参数含义与re.match()相同

使用正则表达式切分字符串:

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']

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，下次记得用正则表达式来把不规范的输入转化成正确的数组。

分组功能

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'

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。

看一个比较复杂的例子，提取时间:

>>> 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')

但是正则表达式也有难以处理的情况，比如提取日期:

'^(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。

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')

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。

正则表达式工具

为了测试正则表达式是否正确，网上有很多的在线正则表达式测试网站，既可以学习正则表达式，还可以快速的生成常用正则表达式的代码，十分的方便，在这里列举几个：
1、站长工具
 2、脚本之家
 3、菜鸟教程

whykifan

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
python正则表达式

正则表达式正则表达式简介使用规则进阶Python当中的re模块：re.match()与re.search()区别使用正则表达式切分字符串:分组功能贪婪匹配编译更多功能正则表达式工具简介字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在，尤其在爬虫技术的运用当中。比如判断一个字符串是否是合法Email 地址，虽然可以编程提取@前后的...
复制链接

扫一扫