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（字符）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。

\d

可以匹配一个数字，

\w

可以匹配一个字母或数字，

\s

可以匹配一个空格（包括Tab等空白符）

.

可以匹配任意字符[/code]

*

表示任意个字符（包括0个），用来匹配变长的字符，

+

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

较复杂的例子：\d{3}\s+\d{3,8}

从左到右解读一下：

\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（包括一个打空格包含的很多小空格），例如匹配

' '

，

' '

等；

\d{3,8}

表示3-8个数字，例如

'1234567'

。

综合起来，上面的正则表达式可以匹配以任意多个空格隔开的带区号的电话号码。

如果要匹配

'010-12345'

这样的号码呢？由于

'-'

是特殊字符，在正则表达式中，要用

'\'

转义，所以，上面的正则是

\d{3}\-\d{3,8}

。

但是，仍然无法匹配

'010 - 12345'

，因为带有空格。所以需要更复杂的匹配方式。

进阶

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、字母或者下划线的字符；

[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。

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

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，因此使用

r

前缀

s = r'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：

import re

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

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']     #无法识别空格

用正则表达式试试：

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

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')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

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)

永远是原始字符串，

group(1)

、

group(2)

……表示第1、2、……个子串。

提取子串非常有用。来看一个更凶残的例子：

>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')

这个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，用正则还是识别不了，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

最后，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')

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：

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})$')
# 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。