python笔记：正则表达式

一、精确匹配

\d匹配一个数字，如'00\d'可以匹配'007'，但无法匹配'00A'；

\w匹配一个字母或数字，如'\d\d\d'可以匹配'010'，'\w\w\d'可以匹配'py3'；

.可以匹配任意字符 ，如 'py.'可以匹配'pyc'、'pyo'、'py!'等等。

二、匹配变长的字符

*表示任意个字符（包括0个）

+表示至少1个字符

?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

如\d{3}\s+\d{3,8} 表示匹配 3个数字至少1个空格3-8个数字 ，综合表示可以匹配以任意个空格隔开的带区号的电话号码。

三、进阶

用[]表示范围，做到更精确匹配，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，如(P|p)ython可以匹配'Python'或者'python'

^表示行的开头，如^\d表示必须以数字开头

$表示行的结束，如\d$表示必须以数字结束。

四、re模块

Python提供re模块，包含所有正则表达式的功能。

4.1转义问题

由于Python的字符串本身也用\转义，因此建议使用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'

4.2match()方法判断是否匹配

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：

>>> 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')
>>>

常见的判断方法是：

test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

五、切分字符串

正常对字符串进行切分：

无法识别连续的空格

用正则表达式对字符串进程切分：

无论多少个空格或者”，“或者“；”都可以正常分割

五、分组

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，因此使用group（1）和group（2）可以直接从匹配的字符串中提取出区号和本地号码：

六、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，匹配出数字后面的0：

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

解决：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

尽可能少匹配也可以是不匹配

比如，其中\s?可以不匹配空格，注意\s+?至少匹配一个空格

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，为提高效率，我们可以预编译该正则表达式，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。接下来重复使用时就不需要编译这个步骤了，直接匹配：

八、练习

8.1  \d{3}\s+\d{3,8}可以匹配'010-12345'，但是无法匹配‘010 - 12345’ 所以我们需要更复杂的匹配方式。运用‘’四‘’进阶中的知识，要做到更精准的匹配，可以用[ ]表示范围，比如：

或者使用\s?

8.2请尝试写一个验证Email地址的正则表达式。版本一应该可以验证出类似的Email：

     someone@gmail.com

     bill.gates@microsoft.com

主要考察：正则表达式的写法，其中重点注意(\.\w+)?

代码:

#emailtest.py
import re
def is_valid_email(addr):
    re_email = re.compile(r'(\w+)(\.\w+)?@\w+\.com')
    return re_email.match(addr)
assert is_valid_email('someone@gmail.com')
assert is_valid_email('bill.gates@microsoft.com')
assert not is_valid_email('bob#example.com')
assert not is_valid_email('mr-bob@example.com')
print('ok')

运行：

8.3 版本二可以提取出带名字的Email地址：
<Tom Paris> tom@voyager.org => Tom Paris

bob@example.com => bob

主要考察：group的使用

代码：

#emailname.py
import re
def name_of_email(addr):
	if(addr.find('<')!=-1):
		reg=re.compile(r'<(\w+\s*\w+)>\s?\w+@\w+.org')
	else:
		reg=re.compile(r'(\w+)@\w+.org')
	if reg: 
		m=reg.match(addr).group(1)
		if m: 
			return m
		else:
			return None
	return None
assert name_of_email('<Tom Paris> tom@voyager.org') == 'Tom Paris'
assert name_of_email('<Tom Paris>tom@voyager.org') == 'Tom Paris'
assert name_of_email('tom@voyager.org') == 'tom'
print('ok')

运行：