Python学习笔记<正则表达式与python>
也许你会认为正则表达式这种东西很无聊，但是其实正则表达式是文本的抽象。作为一个计算机专业的人，必须要对抽象极为敏感。
python 的文本处理功能很强大，其中一点就在于其拥有一个re的module。拥有了regular expression（正则表达式）的python才是一个完整的python。
本文不光有基本的python正则表达式的使用，而且还会有一个基础的正则表达式教程方便你来复习。
目录
正则表达初级教程
什么是正则表达式(regular expression)
在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。
正则表达式的保留关键字
正则表达式一共有12个保留的关键字
[ ] \ ^ $ . | ? * + ( )字符集
如果我们想表达一个字母或者数字，应该如何使用正则表达式呢？
| 符号 | 作用 |
|---|---|
| . | 除了换行符的任意字符 |
| \w | 数字字母下划线或者汉字 |
| \s | 空白符 |
| \d | 数字 |
| \b | 单词的结束和开头 |
| ^ | 字符串的开头 |
| $ | 字符串的结束 |
不可显示字符
可以使用特殊字符序列来代表某些不可显示字符：
\t代表Tab(0x09)
\r代表回车符(0x0D)
\n代表换行符(0x0A) 在windows中文本使用\r\n来结束一行。而在Unix中则是\n。
自定义一个字符集
我们现在已经有很好的方法来表达一个常规字符：\w。但是如果我们仅仅是想匹配一个元音字母呢？
正确的方法是使用[]来表示
#匹配元音字母
[auioe]匹配大写字母
[A-Z]-操作符限定了字符集的范围是“从”A到Z。
字符的重复
如果想表达多个同样的字符，我们应该？
| 重复限定 | 作用 |
|---|---|
| * | 0或多次 |
| + | 1或多次 |
| ? | 1或0次 |
| {n} | n次 |
| {n,} | 至少n次 |
| {n,m} | n到m次 |
还有什么
正则表达式是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。
有了上面内容的基础，你已经可以写出一些简单的正则表达式了。比如：一个不那么严格的邮箱。
stosy@sina.com
[a-zA-Z0-9]+@[a-z0-9]+\.com我们需要匹配到那个.号，但是.已经是保留字，所以我们需要在它前面加上一个backslash\告诉正则引擎：这个.并不是关键字，而是一个字符。
更多的正则表达式教程之后再说，这里我们不再多赘述。毕竟这篇文章是为了看看python的re用法。
python的正则表达式模块——RE
以下内容主要整理自廖雪峰的个人博客和python RE官方文档
可供参考的内容还有
注意
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：
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'判断是否匹配match
先看看如何判断正则表达式是否匹配：
>>> 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。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')切分字符串（在split()中大显身手）
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')
['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']再加入;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。
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')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，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})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')
编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。
个案研究：匹配电话号码
800-555-1212
800 555 1212
800.555.1212
(800) 555-1212
1-800-555-1212
800-555-1212-1234
800-555-1212x1234
800-555-1212 ext. 1234
work 1-(800) 555.1212 #1234
我需要知道区号是 800，干线号是 555，电话号的其他数字为 1212。对于那些有分机号的，我需要知道分机号为 1234。
我们先采用分步走的策略。
首先看看第一个好像比较简单！
>>> phonePattern = re.compile(r'^(\d{3})-(\d{3})-(\d{4})$')
>>> phonePattern.search('800-555-1212').groups()
('800', '555', '1212')
#但是无法匹配有分机号1234情形
>>> phonePattern.search('800-555-1212-1234')
我们尝试写一下有1234的情形
phonePattern = re.compile(r'^(\d{3})-(\d{3})-(\d{4})-(\d+)$')我们注意到：除了- 还有可能出线.和的分割符。所以我们可以用\D来替代-。甚至可以没有分隔符，所以再加上*。
phonePattern = re.compile(r'^(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d+)$')最后那一部分的分机号也可以消失：
#整理一下思路：开头、三个数字、分隔符、三个数字、分隔符、四个数字、分隔符、多个数字
phonePattern = re.compile(r'^(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$')
我们现在已经可以匹配多数的格式了
>>> s=phonePattern.search('800 555 1212').groups()
>>> s
('800', '555', '1212', '')
>>> s=phonePattern.search('800 555 1212x1234').groups()
>>> s
('800', '555', '1212', '1234')
>>> s=phonePattern.search('800-555-1212-1234').groups()
>>> s
('800', '555', '1212', '1234')
>>> s=phonePattern.search('800-555-1212ext.1234').groups()
>>> s
('800', '555', '1212', '1234')
>>>
但是这样
(800) 555-1212
1-800-555-1212
work 1-(800) 555.1212 #1234
在第一组数字800之前出现了些奇怪的东西。。。
我们依然没有办法识别
第一个比较容易处理，我们只需要在^之后加上一个\D。
恩。。但是那个work加上1-怎么匹配呢。。
我们发现我们在处理^上出现了失误。既然我们只是想要那四部分。又何必管整个字符串呢，去匹配^也都没有意义了！
phonePatter= re.compile(r'(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d+)$')
>>> phonePattern.search('work 1-(800)-555-1212ext.1234').groups()
('800', '555', '1212', '1234')
>>>
版权声明：本文为博主原创文章，转载请标明出处。
