Python笔记7（正则表达式）
11. 正则表达式
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。正则表达式是一种用来匹配字符串的强有力的武器。
正则表达式的设计思想：是用一种描述性的语言来给字符串定义一个法则，凡是符合规则的字符串，就认定它“匹配”了，否则该字符串就是不合法的。
判断一个字符串是否合法的Email的方法：
- 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
正则表达式中，直接给出字符就是精确匹配。
| 表达式 | 说明 | 举例 |
|---|---|---|
| 0 | 匹配数字0，两个0则匹配两个数字0 |
0 |
| \d | 0-9的一个数字 | 1或2或3 |
| \w | 一个字母或数字 | 0或a或B |
| . | 任意一个字符 | c或0或!或#等等 |
| * | 匹配任意个字符(包括0个) | 略 |
| + | 至少一个字符 | 略 |
| ? | 0个或1个字符 | 略 |
| {n} | n个字符，用{n,m}表示n-m个字符 |
略 |
| \d{3} | 匹配3个数字 | 010或124等 |
| \s | 匹配一个空格(包括Tab等空白符) | ' ' |
| \s+ | 匹配至少有一个空格 | 例如匹配' '、' '等 |
| \d{3,8} | 匹配3-8个数字 | 1234567 |
- demo.匹配
010-12345：-是特殊字符，在正则表达式中用'\'转义，所以应该是\d{3}\-\d{3,8}
1. 进阶
做更精确的匹配，可用[]表示范围：
[0-9a-zA-Z\_]：匹配一个数字、字母或下划线[0-9a-zA-Z\_]+：匹配至少由一个数字、字母或下划线组成的字符串，比如'a100'、''0_Z'、'Py3000'等[a-zA-Z\_][0-9a-zA-Z\_]*：可匹配由字母、数字或下划线开头，后接任意个由一个数字、字母或下划线组成的字符串，也就是Python合法的变量[a-zA-Z\_][0-9a-zA-Z\_]{0,19}更精确的限制了变量的长度是1-20个字符(前面一个字符+后面最多19个字符)
| 表达式 | 说明 | 举例 |
|---|---|---|
| |
逻辑关系“或” | A|B匹配A或B，(P|p)ython可匹配'Python'或'python' |
^ |
行的开头 | ^\d表示必须以数字开头 |
$ |
行的结束 | \d$表示必须以数字结束。py可匹配’hpy’或‘pyt’，但加上^py$就只能匹配‘py’` |
2. re模块
Python的re模块包含所有正则表达式的功能
Python的字符串本身也用\转义，所以需要注意，但字符串前加r就不用考虑转义的问题了：r'abc'。
match()方法判断是否匹配，匹配成功返回一个Match对象，否则返回None：
>>> import re
>>> re.match(r'\d{3}\-\d{3,8}$','010-12345') # 成功示例
.Match object; span=(0, 9), match='010-12345'>
>>> re.match(r'\d{3}\-\d{3,8}$','010 12345') # 失败示例
>>>
3. 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。
语法：re.split(r'表达式'，字符串)
- 正常切分(无法识别连续的空格)：
>>> 'a b c'.split(' ')
['a', 'b', '', 'c']
- 正则表达式
\s+匹配至少一个空格(可以识别连续空格)：
>>> re.split(r'\s+','a b c')
['a', 'b', 'c']
- 正则表达式 分隔空格和
,：
>>> re.split(r'[\s\,]+','a,b, c d')
['a', 'b', 'c', 'd']
- 正则表达式 分隔空格、
,和;：
>>> re.split(r'[\s\,\;]+','a,b; c d')
['a', 'b', 'c', 'd']
如果用户输入一组标签，可用正则表达式把不规范的输入转化成正确的列表。
分组
正则表达式除判断是否匹配外还有提取子串的强大功能。用()表示要提取的分组(Group)。比如^(\d{3})-(\d{3,8})$分别定义了两个组，可直接从匹配的字符串中提取出区号和本地号码：
>>> m = re.match(r'^(\d{3})-(\d{3,8})$','010-12345')
>>> m
.Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
>>> m.group(3)
Traceback (most recent call last):
File "" , line 1, in
IndexError: no such group
上边的例子中设置了两个组，在Match对象上用group()方法提取子串：
group(0)或group()是原始字符串group(1)是第1个子串，group(2)是第2个子串，超出范围报错re.match().groups()会以元组形式返回组信息
贪婪匹配
正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。
demo：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')
编译
Python使用正则表达式时，re模块内部会干两件事：
- 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，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：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-9527').groups()
('010', '9527')
编译后生成Regular Expression对象，该对象自己包含正则表达式，所以调用对应方法时不用给出正则表达式。