python圣斗士（十七）：令人欲罢不能的正则

什么是正则

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：

创建一个匹配Email的正则表达式；

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：

\d{3}表示匹配3个数字，例如'010'；

\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；

\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。

正则基础语法：

在正则表达式中用约定的字符串和符号作为匹配的类型和规则，这些符号就叫做元字符，下列是常见的一些正则匹配元字符：
. 匹配单个任意字符，默认不匹配换行符，除非在匹配条件末尾加上re.S选项。
* 匹配任意个任意字符
^ 匹配以某个字符开头的
？匹配单个或0个任意字符
+ 匹配单个或多个字符
[] 匹配括号中的单个字符
\ 转义符
\W 非单词字符
\w 单词字符[0-9a-zA-Z]
\D 非数字
\d纯数字
\s空格
\S匹配非空白字符）
\b：\bthe 匹配任何以the开始的字符串；\bthe\b 匹配the本身
\B：边界匹配 \Bthe 包含the但不以the为开始的字符串
参考地址：http://icybamboo.iteye.com/blog/585291

python的正则

python中关于正则的模块是re

• 常用方法：

import re
re.findall(r'abc$','abcd')
//['abc']
re.findall
//返回匹配到的所有子串并返回列表,r表示后面所跟的为原字符串。
re.match()
//从开始位置开始匹配，一旦出现不符合正则表达式的情况则匹配失败。
re.search()
//匹配整个字符串，如果找到一个匹配则返回一个对象。
re.sub()
//替换
re.sub(r'a','A','abcabaab')
//'AbcAbAAb'

为什么要加r：r是raw(原始)的意思。因为在表示字符串中有一些转义符，如表示回车’\n’。如果要表示\表需要写为’\\’。但如果我就是需要表示一个’\’+’n’，不用r方式要写为:’\\n’。但使用r方式则为r’\n’这样清晰多了。所以一般情况下我们都会加上r。

• 生成正则对象使用：

p=re.compile(r’abc’) 编译生成一个正则对象
p=re.compile(r’G’,re.I)

p.findall(‘aaabcacac’) 调用方法
//[‘abc’]

• 正则标记

• 在上面的代码中，我们注意到第二行里面在正则匹配式后面还跟着一个re.I,这个附加条件就成为正则标记，这里的意思是忽略大小写。如我们所见，正则标记就是为了更好地灵活匹配而诞生的，常见的正则标记如下：
  re.S 使得.匹配包括换行符在内的任何字符
  re.I 忽略大小写
  re.M：多行匹配，影响^和$
  re.X：启用详细的正则表达式
  re.L:支持当前的语言（区域）设置
  re.A:使得转义符号如\w,\b,\s,\d只能匹配ASCII字符

• 正则分组
  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 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’)

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：

re.match(r’^(\d+)(0*)$’, ‘102300’).groups()
(‘102300’, ”)

由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。

必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让\d+采用非贪婪匹配：

re.match(r’^(\d+?)(0*)$’, ‘102300’).groups()
(‘1023’, ‘00’)

范例：
匹配IP地址：
re.search(r’(([0-9]|[1-9]\d|1\d\d|2[0-4]\d|25[0-5]).){3}([0-9]|[1-9]\d|1\d\d|2[0-4]\d|25[0-5])’,’192.168.1.256’)