Python学习--正则表达式

字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址，虽然可以编程提取@前后的子串，再分别判断是否是单词和域名，但这样做不但麻烦，而且代码难以复用。

正则表达式是一种用来匹配字符串的强有力的武器。他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。

所以我们判断一个字符串是否是合法的Email的方法是：

1. 创建一个匹配Email的正则表达式；
2. 用该正则表达式去匹配用户的输入来判断是否合法。

因为正则表达式也是用字符串表示的，所以，我们要首先了解如何用字符来描述字符。

在正则表达式中，如果直接给出字符，就是精确匹配。用\d可以匹配一个数字（digit），\w可以匹配一个字母或数字，所以：

• ‘00\d’可以匹配’007’，但无法匹配’00A’；
• ‘\d\d\d’可以匹配’010’;
• ‘\w\w\d’可以匹配’py3’;

.可以匹配任意字符串，所以：

• 'py.‘可以匹配’pyc’、‘pyo’、'py!'等等。

要匹配变长的字符，在正则表达式中，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：
来看一个复杂的例子：\d{3}\s+\d{3,8}。
s：space 空格

我们来从左到右解读一下：

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。

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\d3-\d{3,8}。
但是，仍然无法匹配’010 - 12345’，因为带有空格，所以我们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；
• [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；（注意，带+号后，顺序可以随意改变）（+表示至少一个）
• [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；（*表示任意个）
• [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。（所以，^要和开头连读）
$表示行的结束，\d$表示必须以数字结束。（所以，$要和末尾连读）
你可能注意到了，py也可以匹配'python',但是加上^py$就变成了整行匹配，就只能匹配'py'了。

re模块

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Pyhon的r前缀，就不用考虑转义的问题了：

s = r'ABC\-001'
# 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：

>>>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

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})$分别定义了两个分组，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。（看你自己弄了多少个分组了）

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')

别懵逼，别畏惧，这个例子太简单了，还有就是别乱想
0[0-9]：表示0和任意一个数字，不是0个[0-9]的数字
正则表达式中，突然出现一个字符或者数字，那可能就是代表它自己本身。

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：

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：

>>>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表达式。

小结

正则表达式非常强大，要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容，可以写一本厚厚的书了。如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。

练习

请尝试写一个验证Email地址的正则表达式。版本一应该可以验证出类似的Email：

• [email protected]
• [email protected]

思考
很简单很简单，关键在于，拆开
这两个Email只有前边不同，后边都是一样的。
那么，前边的话就要有^…算了太简单不浪费时间了。。
太年轻了，思想还没有转变过来。

import re
def is_valid_email(addr):
        return re.match(r'^([\w]+?)(\.{0}|\.)(\w+@\w+\.com)$', addr)

if __name__=="__main__":
	assert is_valid_email('[email protected]')
	assert is_valid_email('[email protected]')
	assert not is_valid_email('bob#example.com')
	assert not is_valid_email('[email protected]')
	print('ok')

更改后

def is_valid_email(addr):
    # (\.{0}|\.)没必要，直接放到前面去
    # ([\w]+?)(\.{0}|\.)合并成[\w\.]+
    # 表示匹配至少一个字母或下划线或.
    # @ 和 . 没必要在分组里，所以写在了分组外面
    # []表示范围，不一定是数字范围，也可以是你选定的访问
    # [\w\.]这个就是一个范围
    return re.match(r'^([\w\.]+)@(\w+)\.(\w+)$', addr)

版本二可以提取出带名字的Email地址：

[email protected] => Tom Paris
[email protected] => bob

import re


def is_valid_email(addr):
    # 切记，看情况加^和$符号啊！！
    # 加了就是从开头开始了，那么findall和search就没意义了。
    matchObj = re.compile(r'()([\w]+)(@\w+\.[\w]+)')
    print(matchObj.search(addr).groups())
    return matchObj.search(addr)


if __name__ == '__main__':
    assert is_valid_email('<Tom Paris> [email protected]')
    print('ok')

转变思想后

    nameMatch = re.compile(r'<?([\w\s]+)>? ([\w]+)@([\w]+).([\w]+)$')

这样还是不行，因为这样写，就会使得要匹配([\w\s]+)和 ([\w]+)了，后边这个括号前面带个空格的。
所以还需要再改

import re


def name_of_email(addr):
	nameMatch = re.compile(r'<?([\w\s]+)>?([\w\s]*)@([\w]+).([\w]+)$')
	return nameMatch.match(addr).group(1)

if __name__ == '__main__':
    assert name_of_email('<Tom Paris> [email protected]') == 'Tom Paris'
    assert name_of_email('[email protected]') == 'tom'
    print('ok')

<Tom Paris> tom@voyager.org => Tom Paris
bob@example.com => bob

分析：

1. 这个<和>可以有，也可以没有，用？号
2. Tom Paris带有字母和空格，所以设置范围[\w\s]+
3. 但是，第二步已经匹配了字母或空格，如果是下面的bob的话，发现没有前面一二步要匹配的内容，但是tom又有，那只能将后面设置为[\w\s]*，这个星号表示匹配任意个。
4. @不用放在分组中，写在外面
5. （[\w]+）
6. .([\w]+)$