正則表示式是一種用來匹配字串的強有力的武器。它的設計思想是用一種描述性的語言來給字串定義一個規則,凡是符合規則的字串,我們就認為它“匹配”了,否則,該字串就是不合法的。
首先了解如何用字元來描述字元。
在正則表示式中,如果直接給出字元,就是精確匹配。
用\d可以匹配一個數字,\w可以匹配一個字母或數字
,所以:
‘00\d’
可以匹配
‘007’
,但無法匹配
‘00A’
;
‘\d\d\d’
可以匹配
‘010’
;
‘\w\w\d’
可以匹配
‘py3’
;
2。
.可以匹配任意字元
,所以:
‘py。’
可以匹配
‘pyc’
、
‘pyo’
、
‘py!’
等等。
3。
要匹配變長的字元,在正則表示式中,用*表示任意個字元(包括0個),用+表示至少一個字元,用{n}表示n個字元,用{n,m}表示n-m個字元。
4。 大多數字符 (例如 abc123) 可以直接使用在正則表示式中。
然而,\.*?+[{|()^$ 這些字元則必須在其前面加上反斜線來進行匹配。
例如\。 表示一個原義的句點而 \\ 表示一個原義的反斜線,\, 表示一個逗號
?匹配前面的子表示式零次或一次。例如,“do(es)?”可以匹配“does”或“does”中的“do”,?等價於{0,1}。
來看一個複雜的例子:
\d{3}\s+\d{3,8}
:
\d{3}
表示匹配3個數字,例如
‘010’
;
\s
可以匹配一個空格(也包括Tab等空白符),所以
\s+
表示至少有一個空格,例如匹配
‘ ’
,
‘ ’
等;
\d{3,8}
表示3-8個數字,例如
‘1234567’
。
用
[]
限定包含的字元種類和範圍
[0-9a-zA-Z\_]
可以匹配
一個
數字、大小寫字母或者下劃線;
[0-9a-zA-Z\_]+
可以匹配至少由一個數字、字母或者下劃線組成的字串,比如
‘a100’
,
‘0_Z’
,
‘Py3000’
等等;
[a-zA-Z\_][0-9a-zA-Z\_]*
可以匹配由字母或下劃線開頭,後接任意個由一個數字、字母或者下劃線組成的字串,也就是Python合法的變數;
[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}
更精確地限制了變數的長度是1-20個字元
(前面1個字元+後面最多19個字元)
。
A|B可以匹配A或B
,所以
(P|p)ython
可以匹配
‘Python’
或者
‘python’
。
^表示行的開頭,^\d表示必須以數字開頭。
$表示行的結束,\d$表示必須以數字結束。
py
也可以匹配
‘python’
,但是加上
^py$
就變成了整行匹配,就只能匹配
‘py’
了。
re模組
有了準備知識就可以在Python中使用正則表示式了。Python提供
re
模組,包含所有正則表示式的功能。由於Python的字串本身也用
\
轉義,所以要特別注意:
s = ‘ABC\\-001’ # Python的字串
# 對應的正則表示式字串變成:
# ‘ABC\-001’#注意這要作為正則表示式使用而不是一般字串
因此要求使用Python的r字首,就不用考慮轉義的問題了
:
s
=
r
‘ABC\-001’
# Python的字串
# 對應的正則表示式字串不變:
# ‘ABC\-001’#注意這要作為正則表示式使用而不是一般字串
先看看如何判斷正則表示式是否匹配:
>>>
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()
方法判斷是否匹配,
如果匹配成功,返回一個Match物件,否則返回None
。常見的判斷方法就是:
test
=
‘使用者輸入的字串’
if
re
。
match
(
r
‘正則表示式’
,
test
):
(
‘ok’
)
else
:
(
‘failed’
)
切分字串
用正則表示式切分字串比用固定的字元更靈活,請看正常的切分程式碼:
>>>
‘a b c’
。
split
(
‘ ’
)
[
‘a’
,
‘b’
,
‘’
,
‘’
,
‘c’
]
無法識別連續的空格,用正則表示式:
>>>
re
。
split
(
r
‘\s+’
,
‘a b c’
)
[
‘a’
,
‘b’
,
‘c’
]
無論多少個空格都可以正常分割。加入
,
試試:
>>>
re
。
split
(
r
‘[\s\,]+’
,
‘a,b, c d’
)
[
‘a’
,
‘b’
,
‘c’
,
‘d’
]
再加入
;
試試:
>>>
re
。
split
(
r
‘[\s\,\;]+’
,
‘a,b;; c d’
)
#特殊符號都需要用\轉義,[]前面雖然有r,但是這是對判斷物件中
#的\作用!不是對[]這個表示識別範圍的括號內部的內容作用!切記!
[
‘a’
,
‘b’
,
‘c’
,
‘d’
]
特殊符號都需要用\轉義,[]前面雖然有r,但是這是對判斷物件中的\作用!不是對[]這個表示識別範圍的括號內部的內容作用!切記!
分組
除了簡單地判斷是否匹配之外,正則表示式還有提取子串的強大功能。用
()
表示的就是要提取的分組(Group)。比如:
^(\d{3})-(\d{3,8})$
分別定義了兩個組,可以直接從匹配的字串中提取出區號和本地號碼:
>>>
m
=
re
。
match
(
r
‘^(\d{3})-(\d{3,8})$’
,
‘010-12345’
)
>>>
m
<
_sre
。
SRE_Match
object
;
span
=
(
0
,
9
),
match
=
‘010-12345’
>
>>>
m
。
group
(
0
)
‘010-12345’
>>>
m
。
group
(
1
)
‘010’
>>>
m
。
group
(
2
)
‘12345’
如果正則表示式中定義了組,就可以在
Match
物件上用
group()
方法提取出子串來。
注意到
group(0)
永遠是原始字串,
group(1)
、
group(2)
……表示第1、2、……個子串。
提取子串非常有用:
>>>
t
=
‘19:05:30’
>>>
m
=
re
。
match
(
r
‘^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$’
,
t
)
>>>
m
。
groups
()
(
‘19’
,
‘05’
,
‘30’
)
這個正則表示式可以直接識別合法的時間。但是有些時候,用正則表示式也無法做到完全驗證,比如識別日期:
‘^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$’
對於
‘2-30’
,
‘4-31’
這樣的非法日期,用正則還是識別不了,或者說寫出來非常困難,這時就需要程式配合識別了。
貪婪匹配
最後需要特別指出的是,正則匹配預設是貪婪匹配,也就是匹配儘可能多的字元。舉例如下,匹配出數字後面的
0
:
>>>
re
。
match
(
r
‘^(\d+)(0*)$’
,
‘102300’
)
。
groups
()
(
‘102300’
,
‘’
)
由於
\d+
採用貪婪匹配,直接把後面的
0
全部匹配了,結果
0*
只能匹配空字串了。
必須讓
\d+
採用非貪婪匹配(也就是儘可能少匹配),才能把後面的
0
匹配出來,加個
?
就可以讓
\d+
採用非貪婪匹配:(?等價於{0,1})
>>>
re
。
match
(
r
‘^(\d+?)(0*)$’
,
‘102300’
)
。
groups
()
(
‘1023’
,
‘00’
)
在已知字串會以若干個0結尾的情況下使用了?這個字元,否則如果結尾是另外若干數字,這裡使用?是不會得到想要的結果的。
編譯
當我們在Python中使用正則表示式時,re模組內部會幹兩件事情:
編譯正則表示式,如果正則表示式的字串本身不合法,會報錯;
用編譯後的正則表示式去匹配字串。
如果一個正則表示式要重複使用幾千次,出於效率的考慮,我們可以預編譯該正則表示式,接下來重複使用時就不需要編譯這個步驟了,直接匹配:
>>>
import
re
# 編譯:
>>>
re_telephone
=
re
。
compile
(
r
‘^(\d{3})-(\d{3,8})$’
)
# 使用:
>>>
re_telephone
。
match
(
‘010-12345’
)
。
groups
()
(
‘010’
,
‘12345’
)
>>>
re_telephone
。
match
(
‘010-8086’
)
。
groups
()
(
‘010’
,
‘8086’
)
編譯後生成Regular Expression物件,由於該物件自己包含了正則表示式,所以呼叫對應的方法時不用給出正則字串。
如果經常遇到正則表示式的問題,可能需要一本正則表示式的參考書。
正則表示式小結 - 菜問 - 部落格園
練習可以提取出帶名字的Email地址:正則表示式版本二可以提取出帶名字的Email地址:
bob@example。com => bob
# -*- coding: utf-8 -*-
import re
def name_of_email(addr):
re1 = re。compile(r‘^<?([\w\s。]+)>?\s?\w*@\w+。\w+$’)
m = re1。match(addr)
if m:
return m。group(1)
else:
return False
# 測試:
assert name_of_email(‘
assert name_of_email(‘tom@voyager。org’) == ‘tom’
print(‘ok’)
注意:
?
當該字元緊跟在任何一個其他限制符(*,+,?,{
n
},{
n
,},{
n
,
m
})後面時,匹配模式是非貪婪的。非貪婪模式儘可能少的匹配所搜尋的字串,而預設的貪婪模式則儘可能多的匹配所搜尋的字串。例如,對於字串“
oooo
”,“
o+?
”將匹配單個“
o
”,而“
o+
”將匹配所有“
o
”。