探究Python中的正則表達式

 　　這篇文章主要介紹了Python中的正則表達式的一些用法,正則表達式的使用是Python學習進階中的重要知識,需要的朋友可以參考下

　　字符串是編程時涉及到的最多的一種數據結構，對字符串進行操作的需求幾乎無處不在。比如判斷一個字符串是否是合法的Email地址，雖然可以編程提取@前後的子串，再分別判斷是否是單詞和域名，但這樣做不但麻煩，而且代碼難以復用。

　　正則表達式是一種用來匹配字符串的強有力的武器。它的設計思想是用一種描述性的語言來給字符串定義一個規則，凡是符合規則的字符串，我們就認為它“匹配”了，否則，該字符串就是不合法的。

　　所以我們判斷一個字符串是否是合法的Email的方法是：

　　創建一個匹配Email的正則表達式;

　　用該正則表達式去匹配用戶的輸入來判斷是否合法。

　　因為正則表達式也是用字符串表示的，所以，我們要首先了解如何用字符來描述字符。

　　在正則表達式中，如果直接給出字符，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：

　　'00d'可以匹配'007'，但無法匹配'00A';

　　'ddd'可以匹配'010';

　　'wwd'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。

　　要匹配變長的字符，在正則表達式中，用*表示任意個字符(包括0個)，用+表示至少一個字符，用?表示0個或1個字符，用{n}表示n個字符，用{n,m}表示n-m個字符：

　　來看一個復雜的例子：d{3}s+d{3,8}。

　　我們來從左到右解讀一下：

　　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'。

　　綜合起來，上面的正則表達式可以匹配以任意個空格隔開的帶區號的電話號碼。

　　如果要匹配'010-12345'這樣的號碼呢?由於'-'是特殊字符，在正則表達式中，要用''轉義，所以，上面的正則是d{3}-d{3,8}。

　　但是，仍然無法匹配'010 - 12345'，因為帶有空格。所以我們需要更復雜的匹配方式。

　　進階

　　要做更精確地匹配，可以用[]表示范圍，比如：

　　[0-9a-zA-Z_]可以匹配一個數字、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符串，也就是Python合法的變量;

　　[a-zA-Z_][0-9a-zA-Z_]{0, 19}更精確地限制了變量的長度是1-20個字符(前面1個字符+後面最多19個字符)。

　　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。

　　你可能注意到了，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模塊

　　有了准備知識，我們就可以在Python中使用正則表達式了。Python提供re模塊，包含所有正則表達式的功能。由於Python的字符串本身也用轉義，所以要特別注意：

　　?

1 2 3 s = 'ABC-001' # Python的字符串 # 對應的正則表達式字符串變成： # 'ABC-001'

　　因此我們強烈建議使用Python的r前綴，就不用考慮轉義的問題了：

　　?

1 2 3 s = r'ABC-001' # Python的字符串 # 對應的正則表達式字符串不變： # 'ABC-001'

　　先看看如何判斷正則表達式是否匹配：

　　?

1 2 3 4 5 >>> 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()方法判斷是否匹配，如果匹配成功，返回一個Match對象，否則返回None。常見的判斷方法就是：

　　?

1 2 3 4 5 test = '用戶輸入的字符串' if re.match(r'正則表達式', test): print 'ok' else: print 'failed'

　　切分字符串

　　用正則表達式切分字符串比用固定的字符更靈活，請看正常的切分代碼：

　　?

1 2 >>> 'a b c'.split(' ') ['a', 'b', '', '', 'c']

　　嗯，無法識別連續的空格，用正則表達式試試：

　　?

1 2 >>> 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：

　　?

1 2 >>> re.split(r'[s,]+', 'a,b, c d') ['a', 'b', 'c', 'd']

　　再加入;試試：

　　?

1 2 >>> re.split(r'[s,;]+', 'a,b;; c d') ['a', 'b', 'c', 'd']

　　如果用戶輸入了一組標簽，下次記得用正則表達式來把不規范的輸入轉化成正確的數組。

　　分組

　　除了簡單地判斷是否匹配之外，正則表達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符串中提取出區號和本地號碼：

　　?

1 2 3 4 5 6 7 8 9 >>> 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'

　　如果正則表達式中定義了組，就可以在Match對象上用group()方法提取出子串來。

　　注意到group(0)永遠是原始字符串，group(1)、group(2)……表示第1、2、……個子串。

　　提取子串非常有用。來看一個更凶殘的例子：

　　?

1 2 3 4 >>> 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')

　　這個正則表達式可以直接識別合法的時間。但是有些時候，用正則表達式也無法做到完全驗證，比如識別日期：

　　?

1 '^(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，這時就需要程序配合識別了。

　　貪婪匹配

　　最後需要特別指出的是，正則匹配默認是貪婪匹配，也就是匹配盡可能多的字符。舉例如下，匹配出數字後面的0：

　　?

1 2