Python学习--16 正则表达式

正则表达式是一种描述性的语言，用来匹配字符串。凡是符合规则的字符串，我们认为就是匹配了。

正则表达式并非Python独有的，它与语言无关。很多语言都支持正则表达式。

我们经常用正则表达式来匹配电子邮件、手机号码、url等等。

来看一个简单的正则表达式，用于匹配手机号码：

^1[35789]\d{9}$

表示匹配以1开头，第二位是3或5或7或8或9，后面9位是数字，且后面必须以9位数字结尾。满足该规则的手机号就说明匹配该正则了。

Python里re模块包含所有正则表达式的功能。

注意：由于Python的字符串本身也用\转义，所以要特别注意：

s = 'ABC\\'
# 对应的正则表达式字符串变成：'ABC\'

使用Python的r前缀，就不用考虑转义的问题了：

s = r'ABC\'
# 对应的正则表达式字符串不变：'ABC\'

上面的正则用Python写则是：

import re

m = re.match(r'^1[35789]\d{9}$', '13271222223')
print(m)

m = re.match(r'^1[35789]\d{9}$', '23271222223')
print(m)

输出：

<_sre.SRE_Match object; span=(0, 11), match='13271222223'>
None

发现第二个例子匹配结果是None。Python中re模块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。

所以我们可以写如下判断代码：

import re

if re.match(r'^1[35789]\d{9}$', '13271222223'):
    print('ok')
else:
    print('not match')

输出：

ok

元字符

像\d属于元字符。

常用的元字符：

代码	说明
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线或汉字
\s	匹配任意的空白符
\d	匹配数字
\b	匹配单词的开始或结束
^	匹配字符串的开始
$	匹配字符串的结束

重复

像{9}属于重复限定符。

常用的限定符：

代码/语法	说明
*	重复0次或更多次
+	重复1次或更多次
?	重复0次或1次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

字符类

[35789]表示匹配3或5或7或8或9中的某一个。像[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。

像[0-9]代表的含意与\d就是完全一致的：一位数字；同理[a-z0-9A-Z_]也完全等同于\w（如果只考虑英文的话）。

使用正则切分字符串

re模块里的split可以代替常规的split。示例：

# coding: utf-8

import re

string = 'abc d  e'
print(string.split(' '))

print(re.split(r'\s+', string))

输出：

['abc', 'd', '', 'e']
['abc', 'd', 'e']

我们发现常规的切分字符串无法识别连续的空格，但正则可以。

分组

正则表达式还可以提取子串。用()表示的就是要提取的分组。

(\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式。要理解这个表达式，可以按顺序分析：\d{1,3}匹配1到3位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})。

import re

m = re.match(r'(\d{1,3}\.){3}\d{1,3}', '11.22.33.44')
print(m.group(0))
print(m.group(1))

print(m.groups())

输出：

11.22.33.44
33.
('33.',)

group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。groups()返回所有子串的tuple。

这里由于只有一个分组，所以打印group(2)会报错。

贪婪匹配

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。

比如我们要匹配数字102300后面的0：

import re

m = re.match(r'^(\d+)(0*)$', '102300')
print(m.groups())

输出：

('102300', '')

由于贪婪匹配，\d+会一直匹配到末尾，把整个数字都匹配了，0*就只能匹配空字符串了。我们改改：

import re

m = re.match(r'^(\d+?)(0*)$', '102300')
print(m.groups())

输出：

('1023', '00')

加个?就可以让\d+采用非贪婪匹配。

懒惰限定符：

代码/语法	说明
*?	重复任意次，但尽可能少重复
+?	重复1次或更多次，但尽可能少重复
??	重复0次或1次，但尽可能少重复
{n,m}?	重复n到m次，但尽可能少重复
{n,}?	重复n次以上，但尽可能少重复

正则表达式非常强大，本节只是讲解了基础。更多关于正则的知识，大家可以找资料学习。

参考：
1、正则表达式30分钟入门教程
http://deerchao.net/tutorials/regex/regex.htm