正则表达式入门-python代码

题记

本文介绍了Python对于正则表达式的支持，包括正则表达式基础以及Python正则表达式标准库的完整介绍及使用示例。

正则表达式在很多的应用中都有使用到，特别是在网络爬虫中格式化html后取出自己需要的属性，在字符串的匹配和查找中也有很多的应用。

本文主要使用python对正则表达式进行说明，并配合合适的代码。

如何匹配手机号码

正则表达式的规则，一开始看的时候，会感觉规则太多太乱，毫无规律可寻，看完了几个例子以后，慢慢的发现一些常用的表达式以后，写起后面的规则就容易得多了。

这里以如何匹配手机电话号码为例子

最简单的手机规律为11个数字，正则表达式为：

\d{11}

这样我们就认为凡事字符串中有11位数字就认为是手机号码，但是现实中还有另外一些规则，12345678912这也是11个数字，但是我们现在并不会认为他是手机号码，所以进一步的把规则写细了。

我们还可以进一步的细分为，13x开头，14x开头，17(13678)开头，18x开头，后面再带8位的数字，还有另一种情况是170的情况，其中第四位为[0589]中的一个数，再带7位数字。
表达式可以写为：

(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}

正则表达式语法

我们刚才用到的\d 在正则表达式中，代表着数字的意思，还可以用[0-9]来表示一个数字。语法比较多，但是常用的并不是很多，图中表示的是常见的语法。

字符串匹配：

语法	含义
\d	数字
\D	非数字
\s	空白符
\S	非空白符
\w	单词字符
\W	非单词字符

数量匹配：

语法	含义
*	匹配前面字符0次到无限次
+	匹配前面字符1次到无限次
？	匹配前面字符0到1次
{m}	匹配前面字符m次
{m,n}	匹配前面字符m到n次

匹配边界：

语法	含义
^	匹配字符串开头
$	匹配字符串末尾

图中的表达式都有专门的例子介绍，可以大概的看看，需要用到的时候在专门来进行查询。

python中的re模块

在python中，有专门的模块来负责正则表达式，就是re模块。

字符串是否匹配规则

比如在用户注册里，我们要求用户输入的手机号码，符合手机号码的规律，可以用正则表达式来限制。

查看字符串中
是否有符合要求的字符串，还是以刚才的手机号码为例：

import re
str = '15259340987'
# 将正则表达式编译成Pattern对象
pattern = re.compile('152\d{8}')
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match(str)
if match:
    # 使用Match获得分组信息
    print match.group()

这里可以看出正则表达式，用的是

re.compile('152\d{8}')

这个表达式比

(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}

是严格非常多的，他只匹配，152开头的手机号码，当然表达式可以根据你自己的需要来选择，这里只是给一个实例。

找出所有符合规则的字符串

在网页爬虫中，我们需要找出网页的说有链接，用正则匹配就非常容易做到，查看网页源代码中的html，带有网页链接的代码为

href="http://tech.sina.com.cn/t/2017-08-17/doc-ifykcppx8531845.shtml"

正则表达式可以写成：

href="(.*?)"

python代码为：

import re
str = 'href="http://tech.sina.com.cn/t/2017-08-17/doc-ifykcppx8531845.shtml"'
# 匹配
links = re.findall('href="(.*?)"', str)

for link in links:
    print link

# 输出为： 
# http://tech.sina.com.cn/t/2017-08-17/doc-ifykcppx8531845.shtml

找出了所有需要的链接。

re模块中重要的接口

re.compile(pattern, flags=0)

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。

语句

prog = re.compile(pattern)
result = prog.match(string)
和

result = re.match(pattern, string)
等价，第二种写法较为方便。

re.search(pattern, string, flags=0)

这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。 
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

re.match(pattern, string, flags=0)

这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。

re.split(pattern, string, maxsplit=0, flags=0)

按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

re.findall(pattern, string, flags=0)

搜索string，以列表形式返回全部能匹配的子串。
re.sub(pattern, repl, string, count=0, flags=0)

使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count用于指定最多替换次数，不指定时全部替换。

常用的正则表达式语句

匹配邮箱：\w[-\w.+]*@([A-Za-z0-9][-A-Za-z0-9]+.)+[A-Za-z]{2,14}
匹配中文：[\u4e00-\u9fa5]
匹配IP（IPV4）：(\d+).(\d+).(\d+).(\d+)
匹配身份证：\d{15}|\d{17}[0-9Xx]
匹配手机号：(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}

正则表达式工具

正则表达式语法比较复杂，开始没有经验的话，调试起来比较麻烦，现在网上有很多的正则表达式工具，能帮助我们快速的进行试验。有客户端的工具也有web工具，用起来都较为方便。

用的较多的是RegexBuddy这一款工具，如图，他可以自动的生成各种语言版本的正则表达式的例子：
如下

RegexBuddy.png

更多入门教程可以参考：[http://www.bugingcode.com/python_start/] (http://www.bugingcode.com/python_start/)