【正则表达式】正则表达式及python的re模块学习

---

以前经常听正则表达式，但自己从来没用过，这次刚好需要，就学习一下。

参考链接：
https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386832260566c26442c671fa489ebc6fe85badda25cd000

http://www.runoob.com/regexp/regexp-syntax.html

http://www.runoob.com/python3/python3-reg-expressions.html

---

一、语法介绍

1.1 字符组成

正则表达式主要用于字符串匹配。

正则表达式是由普通字符和特殊字符组成的文字模式。

普通字符包括打印和非打印字符。

1.2 具体用法

1、“\d”表示可以匹配一个数字，”\w”表示可以匹配一个数字或字母，”.”表示可以匹配除”\n”之外的所有字符，”*”表示包含0-n个字符，”+”表示包含1-n个字符，”?”表示包含0或1个字符。

举例：

“\d\d\d”可以匹配“345”

"\w\w\w"可以匹配"we2"

“a*”可以匹配“aaa”"aa"

2、{n}表示含有n个字符，{n,m}表示含有n-m个字符。

举例：

"\d{3}\s+\d{3,9}"

表示可以匹配3个数字、空格1-n个，数字3-9个。

如："231     34367"

3、范围表示[]

[0-9a-zA-Z\_]表示可以匹配一个数字或字母或下划线，如"a"，"3"

[0-9a-zA-Z\_]+表示可以匹配由1-n个（数字或字母或下划线）组成的串，如"sdag1","sf321_12"

[a-zA-Z\_][0-9a-zA-Z\_]*表示可以匹配由一个字母或下划线开头，后面接0-n个（数字或字母或下划线）组成的串。我们在各种语言中定义的变量就是这种。

[a-zA-Z\_][0-9a-zA-Z\_]{0,19}表示可以匹配由一个字母或下划线开头，后面接0-19个（数字或字母或下划线）组成的串，即总长度在1-20之间。

4、”A|B”，表示匹配A或B

^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 行 的 结 束 ， \d 表示必须以数字结束。

^py$表示整行匹配，只能匹配’py’。

二、re模块

2.1 模块介绍

1、re.match函数

2、re.search函数

3、re.sub检索和替换函数

4、compile函数

5、findall函数

6、finditer函数

7、split函数

2.2 展开介绍

1、r

在表达式前加r，不用考虑转义问题。

s = "adb\\-sx2" 正则表达式："adb\-sx2"

s = r"adb\-sx2"正则表达式："adb\-sx2"

2、例子1，match匹配则返回一个Match对象，否则返回None

import re

a = re.match(r"\d{3}\-\d{6,8}","010-123467")
b = re.match(r"\d{3}\-\d{6,8}","010 123467")
print a
print b

if a:
    print "yes"
else:
    print "no"
if b:
    print "yes"
else:
    print "no"

3、切割字符串，比如连续空格，分割所有不想要的

import re

s1 = "a b     c  d"
s2 = "a, b,c,   d,  e:  f"
x1 = s1.split(" ")
x2 = re.split(r" +", s1)
x3 = re.split(r"[\s\,\:]+", s2)

print "x1=", x1
print "x2=", x2
print "x3=", x3

4、分组、提取子串，用()表示一组

import re

m = re.match(r"^(\d{3})-(\d{5,8})","010-123456")
print m
print m.group(0)
print m.group(1)
print m.group(2)

import re

time = "19:34:46"
m = re.match(r"(0[0-9]|1[0-9]|2[0-3]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9])", time)
print m.groups()
print m.group(1)
print m.group(2)
print m.group(3)

5、贪婪匹配

正则匹配默认是贪婪匹配，尽可能匹配更多的字符。

import re

m = re.match(r"^(\d+)(0*)$", "230010000")
print m.groups()

这里我们本来想匹配两组，一组是末尾以0开头的0-n个组，一组是上一组的数字。

但是”\d+”采用贪婪匹配，把后面的“0000”页匹配了，导致”0*”没有匹配到。

所以要采用非贪婪匹配，”\d+”后面加个“？”就可以。

import re

m = re.match(r"^(\d+?)(0*)$", "230010000")
print m.groups()

6、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：

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；

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

pattern = re.compile(r"^(\d{3})-(\d{5,9})$")
s1 = "010-1234567"
s2 = "212-3421534"
m1 = pattern.match(s1)
m2 = pattern.match(s2)
print m1.groups()
print m2.groups()

7、作业1

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]

import re

pattern = re.compile(r"^[\w.]+@\w+.com$")
s1 = "[email protected]"
s2 = "[email protected]"
print pattern.match(s1).group()
print pattern.match(s2).group()

8、作业2

版本二可以验证并提取出带名字的Email地址：

[email protected]

import re

pattern = re.compile(r"^(<[\w\s]+>)\s[\w.]+@\w+.\w+$")
s = " [email protected]"
print pattern.match(s).group()
print pattern.match(s).group(1)

以上。

---