By

文章目录
  1. 1. 进阶
  2. 2. re模块
  3. 3. 切分字符串
  4. 4. 分组
  5. 5. 贪婪匹配
  6. 6. 编译

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.如下给出正则表达式的一些字符匹配用法:


\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

直接给出的字符,就是精确匹配

要匹配变长的字符,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

下面举例说明具体的用法:

1
\d{3}\s+\d{3,8}
  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’ ‘,’ ‘等；
  3. \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个空格隔开的带区号的电话号码.

进阶


要做更精确地匹配,可以用[]表示范围

|符号可以表示或,例如A|B可以匹配A或B

^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

下面举例说明具体的用法:

1
2
3
4
5
6
7
[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）.

re模块

有了准备知识,我们就可以在Python中使用正则表达式了.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:

1
2
3
s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC\-001'

因此强烈建议使用Python的r前缀,就不用考虑转义的问题了：

1
2
3
s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'

先看看如何判断正则表达式是否匹配：

1
2
3
4
5
>>> 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')
>>>

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.

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：

1
2
>>> '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：

1
2
>>> 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：

1
2
>>> re.split(r'[\s\,]+', 'a,b, c  d')
['a', 'b', 'c', 'd']

再加入;试试：

1
2
>>> re.split(r'[\s\,\;]+', 'a,b;; c  d')
['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）.比如:

1
^(\d{3})-(\d{3,8})$

分别定义了两个组,可以直接从匹配的电话号码字符串中提取出区号和本地号码:

1
2
3
4
5
6
7
8
9
>>> 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.

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：

1
2
>>> 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：

1
2
>>> 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：

  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：

1
2
3
4
5
6
7
8
>>> 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.

文章目录
  1. 1. 进阶
  2. 2. re模块
  3. 3. 切分字符串
  4. 4. 分组
  5. 5. 贪婪匹配
  6. 6. 编译