正则表达式举例

浅浅的花香味﹌ 2022-10-19 05:35 161阅读 0赞

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。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。

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，\\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，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\}。

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\\d\{3\}\\-\\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；
 *  \[a-zA-Z\\\_\]\[0-9a-zA-Z\\\_\]\*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。

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'

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 at 0x1026e18b8>

>>> 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：（注意下面的正则表达式是如何变化的）

>>> '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：

以上正则表达式代表：

句首 3个数字-3到8个数字 句尾

>>> m = re.match(r'^(\\d\{3\})-(\\d\{3,8\})$', '010-12345')

>>> m

<\_sre.SRE\_Match object at 0x1026fb3e8>

>>> 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')

分析：

>>> 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\[0-9\]|\[0-9\])\\://分别是0分、10分、20分、30分、40分、50分时的表示

(0\[0-9\]|1\[0-9\]|2\[0-9\]|3\[0-9\]|4\[0-9\]|5\[0-9\]|\[0-9\])$', t)//分别是0秒、10秒、20秒、30秒、40秒、50秒时的表示

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：