Python22_正则表达式

Python

精确匹配

在正则表达式中，如果直接给出字符，就是精确匹配。

• \d 可以匹配一个数字
• \w 可以匹配一个字母或数字 [0-9a-zA-Z\_]
• \W 可匹配除 \w 之外的字符

例

• '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。

匹配变长的字符

要匹配变长的字符，在正则表达式中，

匹配特殊字符

• \s 可以匹配一个空格（也包括Tab等空白符）；
• \S 表示只要不为空格即可。一个字符；
• '-' 是特殊字符，在正则表达式中，要用 '\' 转义，即 -\；

范围匹配

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）。

[0-9] 表示 0-9 任意字符都可，[0-9]{9} 表示区间 0 至 9 出现 9 次；

[^1] 表示任意字符只要不是 1 即可；

[.] 就是 . ，无特殊含义。中括号里的字符都不再有特殊含义；

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。^1 代表一行的开头必须是 1。

$表示行的结束，\d$ 表示必须以数字结束。1$ 代表一行必须以 1 结尾。

re模块

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

s = r'ABC-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC-001'
建议使用 Python 的 r 前缀，就不用考虑转义的问题.

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：

>>> 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')
>>>
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

用正则表达式来把不规范的输入转化成正确的数组。

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

分组

提取子串。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。

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，顺序是从右往左匹配。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），顺序是从左往右匹配，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：

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；

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')