Python基础学习-6-廖雪峰课程-正则表达式

一、正则表达式

1、一般的正则表达式        

        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，我们就认为它“匹配”了，否则，该字符串就是不合法的。

例如我们判断一个字符串是否是合法的Email的方法是：

1、创建一个匹配Email的正则表达式

2、用该正则表达式去匹配用户的输入是否合法

正则表达式也是用字符串表示的，了解如何用字符来描述字符，正则表达式的描述：

①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，即有：

• '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'；

② . 可以匹配任意字符。

• 'py.'可以匹配'pyc'、'pyo'、'py!'等等。

③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}。

我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' '或   '    '等。

3. \d{3,8}表示3-8个数字，例如'1234567'。

2、进阶的正则表达式 

要做到更精确的匹配，可以用 [ ] 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'。

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

因此我们强烈建议使用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'

        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：

test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

 4、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，无法识别连续的空格，用正则表达式试试：

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

无论多少个空格都可以正常分割。加入  , 试试：

>>> re.split(r'[\s\,]+', 'a,b, c  d')   #切分\s \，空格和，
['a', 'b', 'c', 'd']

再加入  ; 试试：

>>> re.split(r'[\s\,\;]+', 'a,b;; c  d')  #切分\s \，\; 空格和，和；
['a', 'b', 'c', 'd']

如果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。

5、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')     #判断正则表达式的匹配
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>   #匹配返回的Match对象
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

        因此，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。

6、贪婪匹配

        最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。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），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')

7、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：

1. 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；

2. 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})$') #re.compile编译
# 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，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。

tips：正则表达式非常强大，要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容，可以写一本厚厚的书了。如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。