< 笔记 > Python - 12 Python 正则表达式

12 Python 正则表达式

By Kevin Song

• 12-01 正则基础
• 12-02 re模块
• 12-03 正则进阶

12-01 正则基础

作用：匹配字符串

设计思想：用描述性的语言给字符串定义一个规则

• 符合规则，则“匹配”
• 不符合规则，则不“匹配”

匹配精确字符

• \d：匹配一个数字
  
  • ‘00\d’ 可以匹配 ‘007’，但无法匹配 ‘00A’；
  • ‘\d\d\d’ 可以匹配 ‘010’；
• \w：匹配一个字母或数字
  
  • ‘\w\w\d’ 可以匹配 ‘py3’
• \s：匹配一个空格
  
  • -
• . ：匹配任意字符
  
  • ‘py.’ 可以匹配’pyc’、’pyo’、’py!’

匹配变长字符

• * ：表示任意个字符（包括0个）
• + ：表示至少一个字符
• ? ：表示0个或1个字符
• { n }：表示n个字符
• { n, m } ：表示n-m个字符

例：任意个空格隔开的带区号的电话号码：\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’ ‘，’ ‘等；
• \d{3,8}表示3-8个数字，例如’1234567’

[ ] 表示范围

• [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）

或

• 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。

re模块

12-02 re模块

re模块的match()方法判断是否匹配

• 匹配成功，返回一个Match对象
• 匹配失败，返回None

>>> 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')
>>>

常见的判断方法：

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

12-03 正则进阶

切分字符串

正常用空格切分

>>> 'a b   c'.split(' ')
['a', 'b', '', '', 'c']

正则用空格切分

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

正则用空格和 ， 切分

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

正则用空格和 ， 和 ; 切分

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

分组（Group）

^(\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'

贪婪匹配

正则匹配默认贪婪匹配

>>> 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

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')

编译

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。

出于效率的考虑，预编译该正则表达式，重复使用时不需要编译

>>> 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')