Python正则表达式的使用

正则（Regular Expression）表达式，又称规则表达式。
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。
在介绍python中正则表达式的使用之前，先介绍一下有关正则表达式的语法。

---

正则表达式

元字符介绍

"^" ：^会匹配行或者字符串的起始位置，有时还会匹配整个文档的起始位置。 "$"  ：$会匹配行或字符串的结尾。"\w"：匹配字母，数字，下划线。"\b" :不会消耗任何字符只匹配一个位置，常用于匹配单词边界。单词边界符能够匹配中文符号、英文符号、空格、制表符、回车符号，以及各种边界，比如单词在开头，单词在结尾。例如，想从字符串中"This is Regex"匹配单独的单词 "is" 正则就要写成 "\bis\b" 。\b 不会匹配is 两边的字符，但它会识别is 两边是否为单词的边界。"\s"：匹配空格 。"\d"：匹配一个数字。"."：匹配除了换行符以外的任何字符。"\w"不能匹配空格，而"."可以。"[abc]":字符组，匹配包含括号内元素的字符。"|":或。A|B可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'。

举例：
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，.可以匹配任意字符，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'
• 'py.'可以匹配'pyc'、'pyo'、'py!'等等。
• \s可以匹配一个空格（也包括Tab等空白符）。
• 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。

几种反义

写法很简单改成大写就行了，意思与原来的相反，这里就不举例子了。

"\W" 匹配任意不是字母，数字，下划线 的字符
"\S" 匹配任意不是空白符的字符
"\D" 匹配任意非数字的字符
"\B" 匹配不是单词开头或结束的位置
"[^abc]" 匹配除了abc以外的任意字符

量词

 "*"(贪婪) ：重复零次或更多例如"aaaaaaaa" 匹配字符串中所有的a。正则："a*"会出到所有的字符"a""+"(懒惰) ：重复一次或更多次例如"aaaaaaaa" 匹配字符串中所有的a。正则"a+"会取到字符中所有的a字符，"a+"与"a*"不同在于"+"至少是一次而"*" 可以是0次。"?"(占有) ：重复零次或一次例如"aaaaaaaa" 匹配字符串中的a。正则："a?" 只会匹配一次，也就是结果只是单个字符a。"{n}" ：重复n次例如从"aaaaaaaa" 匹配字符串的a 并重复3次。正则："a{3}"结果就是取到3个a字符  "aaa"。"{n,m}" ：重复n到m次例如正则 "a{3,4}" 将a重复匹配3次或者4次 所以供匹配的字符可以是三个"aaa"也可以是四个"aaaa"，正则都可以匹配到。"{n,}" ：重复n次或更多次与{n,m}不同之处就在于匹配的次数将没有上限，但至少要重复n次。正则"a{3,}"，a至少要重复3次。

正则表达式在python中使用

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}$', '010-12345')<_sre.SRE_Match object; span=(0, 9), match='010-12345'>>>> re.match(r'^\d{3}\-\d{3,8}$', '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']

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']

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。
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')

这个正则表达式可以直接识别合法的时间。

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。

>>> 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。