Python3 正则表达式

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