Python 正则表达式

跟随练习：

import re

original_string = r"ABC\-001"
rexp_string = r'\w{3}\\\-\d{3}'
result = re.match(rexp_string,original_string)

original_string_1 = "a b  c   d"
original_string_2 = "a b  c   d"
original_string_1 = re.split(r'\s+',original_string_1)
original_string_2 = original_string_2.split()
print(original_string_1)
print(type(print(original_string_2)))
print(original_string_2)


original_string_3 = "a b  c   d"
m = re.match(r'^(\w)\s\w\s+\w\s+\w$',original_string_3)
n = re.match(r'a b  c   d',original_string_3)
print(m)
print("n:")
print(n)
print(m.groups())
print(type(m.groups()))

 

引自：https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/00143193331387014ccd1040c814dee8b2164bb4f064cff000

 

字符串是编程时涉及到的最多的一种数据结构，对字符串进行操做的需求几乎无处不在。好比判断一个字符串是不是合法的Email地址，虽然能够编程提取@先后的子串，再分别判断是不是单词和域名，但这样作不但麻烦，并且代码难以复用。

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，咱们就认为它“匹配”了，不然，该字符串就是不合法的。

因此咱们判断一个字符串是不是合法的Email的方法是：

1. 建立一个匹配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。

由于正则表达式也是用字符串表示的，因此，咱们要首先了解如何用字符来描述字符。

在正则表达式中，若是直接给出字符，就是精确匹配。用\d能够匹配一个数字，\w能够匹配一个字母或数字，因此：

• '00\d'能够匹配'007'，但没法匹配'00A'；

• '\d\d\d'能够匹配'010'；

• '\w\w\d'能够匹配'py3'；

.能够匹配任意字符，因此：

• 'py.'能够匹配'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：

来看一个复杂的例子：\d{3}\s+\d{3,8}。

咱们来从左到右解读一下：

1. \d{3}表示匹配3个数字，例如'010'；

2. \s能够匹配一个空格（也包括Tab等空白符），因此\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，上面的正则表达式能够匹配以任意个空格隔开的带区号的电话号码。

若是要匹配'010-12345'这样的号码呢？因为'-'是特殊字符，在正则表达式中，要用'\'转义，因此，上面的正则是\d{3}\-\d{3,8}。

可是，仍然没法匹配'010 - 12345'，由于带有空格。因此咱们须要更复杂的匹配方式。

进阶

要作更精确地匹配，能够用[]表示范围，好比：

• [0-9a-zA-Z\_]能够匹配一个数字、字母或者下划线；

• [0-9a-zA-Z\_]+能够匹配至少由一个数字、字母或者下划线组成的字符串，好比'a100'，'0_Z'，'Py3000'等等；

• [a-zA-Z\_][0-9a-zA-Z\_]*能够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能够匹配A或B，因此(P|p)ython能够匹配'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也能够匹配'python'，可是加上^py$就变成了整行匹配，就只能匹配'py'了。

re模块

有了准备知识，咱们就能够在Python中使用正则表达式了。Python提供re模块，包含全部正则表达式的功能。因为Python的字符串自己也用\转义，因此要特别注意：

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

所以咱们强烈建议使用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，若是匹配成功，返回一个Match对象，不然返回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') 

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，没法识别连续的空格，用正则表达式试试：

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

不管多少个空格均可以正常分割。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'] 

若是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

除了简单地判断是否匹配以外，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）。好比：

^(\d{3})-(\d{3,8})$分别定义了两个组，能够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' 

若是正则表达式中定义了组，就能够在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)……表示第一、二、……个子串。

提取子串很是有用。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') 

这个正则表达式能够直接识别合法的时间。可是有些时候，用正则表达式也没法作到彻底验证，好比识别日期：

'^(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，用正则仍是识别不了，或者说写出来很是困难，这时就须要程序配合识别了。

贪婪匹配

最后须要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽量多的字符。举例以下，匹配出数字后面的0：

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

因为\d+采用贪婪匹配，直接把后面的0所有匹配了，结果0*只能匹配空字符串了。

必须让\d+采用非贪婪匹配（也就是尽量少匹配），才能把后面的0匹配出来，加个?就可让\d+采用非贪婪匹配：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups() ('1023', '00') 

编译

当咱们在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，若是正则表达式的字符串自己不合法，会报错；

2. 用编译后的正则表达式去匹配字符串。

若是一个正则表达式要重复使用几千次，出于效率的考虑，咱们能够预编译该正则表达式，接下来重复使用时就不须要编译这个步骤了，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，因为该对象本身包含了正则表达式，因此调用对应的方法时不用给出正则字符串。

小结

正则表达式很是强大，要在短短的一节里讲完是不可能的。要讲清楚正则的全部内容，能够写一本厚厚的书了。若是你常常遇到正则表达式的问题，你可能须要一本正则表达式的参考书。