Python正则表达式

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，就认为它“匹配”了，否则，该字符串就是不合法的。

所以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

Python自1.5版本起增加了re模块，它提供Perl 风格的正则表达式模式

re模块使Python语言拥有全部的正则表达式功能

了解元字符

因为正则表达式也是用字符串表示的，所以首先了解如何用字符来描述字符

# 精确匹配
 strs = "a,b;c@d"
 print(re.split(r'[,;@]', strs))
# 输出：['a', 'b', 'c', 'd']

如果直接给出字符，就是精确匹配，但有一些字符加上转义符后就具有特殊含义

• \d可以匹配一个数字
  • 例如：‘00\d’可以匹配’007’，但无法匹配’00A’
  • ‘\d\d\d’可以匹配’010’
• \w可以匹配一个字母或数字
  • 例如：‘\w\w\d’可以匹配’py3’，也可以匹配’p13’
• ’ . '可以匹配任意字符
  • 例如：'py.‘可以匹配’pyc’、‘pyo’、'py!'等等
• \s可以匹配任何空白字符，包括空格、制表符、换页符等等

这些特殊字符在正则表达式中称为元字符

常用的元字符

Python中常见的元字符有：

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}
  • \d{3}表示匹配3个数字，例如’010’
  • \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 ‘空格’，‘空格空格’，'空格空格空格’等；
  • \d{3,8}表示3-8个数字，例如’1234567’,‘123’,‘12345’
  • 综上，该正则表达式可以匹配以任意个空格隔开的带三位区号的电话号码

phone_numm = "055 12345678"
print(re.match(r"\d{3}\s\d{3,8}", phone_numm))
# 输出: <re.Match object; span=(0, 12), match='055 12345678'>

• 如果要匹配’010-12345’这样的号码呢？
  • 由于’-‘是特殊字符，要用’'转义，所以可用\d{3}-\d{3,8}进行匹配

正则表达式进阶

要做更精确地匹配，则还需编写更复杂的正则表达式

• 在正则中-表示从什么到什么，[]表示范围，例如：
  • [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合法的命名规则
  • [a-zA-Z_][0-9a-zA-Z_]{0, 19}更精确地限制了长度是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
• KaTeX parse error: Undefined control sequence: \d at position 8: 表示行的结束，\̲d̲表示必须以数字结束

re模块

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：

• s = ‘ABC\-001’ ，s类型为str，即Python最基本的字符串
• 由于’‘会对’'进行转义，故对应的正则表达式字符串变成：‘ABC-001’

Python中为字符串提供了一种特殊的语法标记：r’abcdefg\hijklmn’
如果使用r标记字符串，那么就不再需要考虑转义的问题了：

• s = r’ABC-001’
• 对应的正则表达式字符串不变：‘ABC-001’

推荐在Python中进行正则表达式匹配时，使用r前缀标记字符串

match方法

re模块提供了一个match方法，可以判断正则表达式是否匹配

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 使用前需要先导入re模块
• re.match(r’^\d{3}-\d{3,8}$', ‘010-12345’)
  • 调用match方法，左边需要传入一个正则表达式，右边为待匹配的字符串
  • 如果能匹配上则返回：<_sre.SRE_Match object; span=(0, 9), match=‘010-12345’>
• re.match(r’^\d{3}-\d{3,8}$', ‘010 12345’) 无法匹配则返回空,即None
  match方法通常会结合if选择结构进行判断：

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

Python中的字符串自带split方法可以指定分隔符进行字符串的切分
同样re模块也提供了split方法，可以按照指定的正则表达式进行字符串的切分

• str自带的split方法无法识别连续的空格

使用re模块中的split方法无论多少个空格都可以正常分割

strs = "a b    c"
print(re.split(r'\s+', strs))
# 输出：['a', 'b', 'c']

试一试，假设有一个字符串：‘a,b;; c d’，请尝试给出对应的正则表达式，能够将 a b c d都切分出来

text = 'a,b;; c  d'
# 使用正则表达式分割字符串，忽略空白字符和多个连续的分隔符
parts = re.split(r'\s*[,;]*\s*', text)
# 但出于某种原因需要确保没有空字符串，可以添加一个简单的列表推导式
parts = [part for part in parts if part]
print(parts)
# 输出：['a', 'b', 'c', 'd']

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，可以直接从字符串中提取出区号和本地号码

phone_numm = "055-12345678"
print(re.match(r"(\d{3})-(\d{3,8})", phone_numm).group())  # 输出：055-12345678
print(re.match(r"(\d{3})-(\d{3,8})", phone_numm).group(1)) # 输出：055
print(re.match(r"(\d{3})-(\d{3,8})", phone_numm).group(2)) # 输出：12345678

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：group(0)永远是与整个正则表达式相匹配的字符串，group(1)、group(2)…表示第1、2、……个子串

再来看个例子，假设有一个时间字符串：t = ‘19:05:30’

需要提取该时间字符串中的小时、分钟、秒，正则表达式该如何编写？

 t = "19:05:30"
# 匹配出时间
# 分组使用的是在正则内部使用 括号 第几个括号就是第几个组别
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).groups())  # ('19', '05', '30')
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).group(1))  # 19
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).group(2))  # 05
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).group(3))  # 30

上述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，该正则无法识别，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

正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符
例如，匹配出数字后面的0：

• re.match(r’^(\d+)(0*)$', ‘102300’).groups()
• 最终结果：(‘102300’, ‘’)

print(re.match(r'^(\d+)(0*)$', '102300').groups())
# 输出：('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

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()
• 最终结果：(‘1023’, ‘00’)

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

预编译

当在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，可以使用compile方法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  # 导入模块
re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')  # 预编译
print(re_telephone.match('010-12345').groups())  # 进行匹配并返回所有组  ('010', '12345')
print(re_telephone.match('010-8086').groups())   # 进行匹配并返回所有组  ('010', '8086')