使用场景
正则表达式是一个特殊的字符序列,它能帮助你方便的检查一个字符串是否与某种模式匹配。
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。
- ‘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:
\d{3}\s+\d{3,8}
:\d{3}匹配3个数字,\s+匹配至少一个空白(space),\d{3,8}匹配3-8个数字。
特殊字符用\
转义,如\d{3}\-\d{3,8}
可以提取010-12345这样的字符串。
精确匹配
在正则表达式前面添加`r`前缀就不用担心转义的问题了。
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。
re 模块
match()
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。
match函数语法格式:
re.match(r'pattern', str, flags=0)
- pattern:正则表达式,
r
为前缀,与转义字符有关。 - str:待匹配的字符串。
- 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。
#!/usr/bin/python3
# coding=utf-8
import re
num = '023-7555363'
myNum = re.match(r'\d{3}\-\d+',num)#
print(myNum)
输出结果
<re.Match object; span=(0, 11), match=‘023-7555363’>
split()
split()切割字符串:
re.split(r'pattern', str, flags=0)
#!/usr/bin/python3
# coding=utf-8
import re
str = 'a, b,c;d'
myNum1 = re.split(r'^\s+\,\;$',str)
print(myNum1)
[‘a, b,c;d’]
分组
除了简单地判断是否匹配之外,正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组(Group)。
^(\d{3})-(\d{3,8})$
定义了两个用-
连接的组,可以提取出-
连接的两组字符串。
实质上就是输出match方法所匹配的子串。
#!/usr/bin/python3
# coding=utf-8
import re
m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
print(m.group(0),'\n',m.group(1),'\n',m.group(2))
输出结果:
010-12345
010
12345
group(0)输出的是原始子串,之后依次是第一个、第二个……子串。
贪婪匹配
正则表达式默认情况下采用的是贪婪匹配,比如^(\d+)(0*)
中的\d+
会将一串数字都匹配,然后0*
只能匹配空字符串。必须使得\d+
尽可能少的匹配字符串,只需要改为\d+?
就好,即(\d+?)(0*)
。
如下例所示:
#!/usr/bin/python3
# coding=utf-8
import re
print(re.match(r'^(\d+?)(0*)$', '102300').groups())
输出结果:
(‘1023’, ‘00’)
编译
在正则表达式的使用过程中,一般是采用先编译后匹配的流程,但是如果某个正则表达式需要重复使用几千次,那么我们可以采用预编译的方式,即一次编译多次使用,以节约时间。
#!/usr/bin/python3
# coding=utf-8
import re
re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
print(re_telephone.match('010-12345').groups())
print(re_telephone.match('010-8086').groups())
输出结果:
(‘010’, ‘12345’)
(‘010’, ‘8086’)
编译后生成Regular Expression对象,由于该对象自己包含了正则表达式,所以调用对应的方法时不用给出正则字符串。
实验
验证邮箱地址是否正确。
email地址格式一般为name@domainname,所以此处先简单地验证地址是否为上述格式.
#!/usr/bin/python3
# coding=utf-8
import re
flag = 0
emAdd1 = 'someone@gmail.com'
emAdd2 = 'bill.gates@microsoft.com'
def justfiy_email(emAdd):
print()
re1 = '^([0-9a-zA-Z._-]+)(@)([0-9a-zA-Z_-]+)(.)([0-9a-zA-Z_-]+)$'
te1 = re.match(re1,emAdd)
print(te1.groups())
for i in range(1,1+len(te1.groups())):
print(i,te1.group(i))
if te1.group(i)== '@':
flag = 1
else:
pass
if flag == 1:
print("%s is a right address"%emAdd)
justfiy_email(emAdd1)
justfiy_email(emAdd2)
输出结果:
(‘someone’, ‘@’, ‘gmail’, ‘.’, ‘com’)
1 someone
2 @
3 gmail
4 .
5 com
someone@gmail.com is a right address
(‘bill.gates’, ‘@’, ‘microsoft’, ‘.’, ‘com’)
1 bill.gates
2 @
3 microsoft
4 .
5 com
bill.gates@microsoft.com is a right address
小结
正则表达式是一个特殊字符序列,是在对字符串进行处理时的一种方法。
前面的一个 r 表示字符串为非转义的原始字符串,让编译器忽略反斜杠,也就是忽略转义字符。
菜鸟教程-正则表达式
廖雪峰-正则表达式