基礎(chǔ)
-
\d
可以匹配一個(gè)數(shù)字 -
\w
可以匹配一個(gè)數(shù)字或字母或_ -
\s
可以匹配一個(gè)空格(也包括Tab等空白符) -
.
可以匹配任意字符(數(shù)量為1) -
*
表示任意個(gè)字符(包括0個(gè)) -
+
表示至少一個(gè)字符 -
?
表示0個(gè)或1個(gè)字符 -
{n}
表示n個(gè)字符 -
{n,m}
表示n-m個(gè)字符 -
^
表示行的開頭,^\d
表示必須以數(shù)字開頭。 -
$
表示行的結(jié)束,\d$
表示必須以數(shù)字結(jié)束。
(注意\W
和\S
為對(duì)應(yīng)\w
和\s
的取反)
來看一個(gè)復(fù)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(gè)數(shù)字,例如'010';
- \s可以匹配一個(gè)空格(也包括Tab等空白符),所以\s+表示至少有一個(gè)空格,例如匹配' ',' '等;
- \d{3,8}表示3-8個(gè)數(shù)字,例如'1234567'
綜合起來,上面的正則表達(dá)式可以匹配以任意個(gè)空格隔開的帶區(qū)號(hào)的電話號(hào)碼。
如果要匹配010-12345
這樣的號(hào)碼呢?由于-
是特殊字符,在正則表達(dá)式中,要用""轉(zhuǎn)義,所以,上面的正則是\d{3}\-\d{3,8}
進(jìn)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(gè)數(shù)字、字母或者下劃線; -
[0-9a-zA-Z\_]+
可以匹配至少由一個(gè)數(shù)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,后接任意個(gè)由一個(gè)數(shù)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(gè)字符(前面1個(gè)字符+后面最多19個(gè)字符)
A|B
可以匹配A或B,所以(P|p)ython
可以匹配Python
或者python
py
也可以匹配python
,但是改為^py$
就變成了整行匹配,就只能匹配py
了
re模塊
由于Python的字符串本身也用\轉(zhuǎn)義,所以要特別注意:
s = 'ABC\\-001' # Python的字符串
# 對(duì)應(yīng)的正則表達(dá)式字符串變成:
# 'ABC\-001'
因此我們強(qiáng)烈建議使用Python的r前綴,就不用考慮轉(zhuǎn)義的問題了:
s = r'ABC\-001' # Python的字符串
# 對(duì)應(yīng)的正則表達(dá)式字符串不變:
# 'ABC\-001'
如果匹配成功,返回一個(gè)Match對(duì)象,否則返回None。常見的判斷方法就是:
test = '用戶輸入的字符串'
if re.match(r'正則表達(dá)式', test):
print('ok')
else:
print('failed')
切分字符串
用正則表達(dá)式切分字符串比用固定的字符更靈活,請(qǐng)看正常的切分代碼:
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']
嗯,無法識(shí)別連續(xù)的空格,用正則表達(dá)式試試:
>>> re.split(r'\s+', 'a b c')
['a', 'b', 'c']
都可以正常分割。加入,試試:
>>> re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']
再加入;試試:
>>> re.split(r'[\s\,\;]+', 'a,b;; c d')
['a', 'b', 'c', 'd']
分組
除了簡單地判斷是否匹配之外,正則表達(dá)式還有提取子串的強(qiáng)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(gè)組,可以直接從匹配的字符串中提取出區(qū)號(hào)和本地號(hào)碼:
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
貪婪匹配
正則匹配默認(rèn)是貪婪匹配,也就是匹配盡可能多的字符。舉例如下,匹配出數(shù)字后面的0:
>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')
由于\d+采用貪婪匹配,直接把后面的0全部匹配了,結(jié)果0*只能匹配空字符串了。
必須讓\d+采用非貪婪匹配(也就是盡可能少匹配),才能把后面的0匹配出來,加個(gè)?就可以讓\d+采用非貪婪匹配:
>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')
編譯
當(dāng)我們?cè)赑ython中使用正則表達(dá)式時(shí),re模塊內(nèi)部會(huì)干兩件事情:
- 編譯正則表達(dá)式,如果正則表達(dá)式的字符串本身不合法,會(huì)報(bào)錯(cuò);
- 用編譯后的正則表達(dá)式去匹配字符串。
如果一個(gè)正則表達(dá)式要重復(fù)使用幾千次,出于效率的考慮,我們可以預(yù)編譯該正則表達(dá)式,接下來重復(fù)使用時(shí)就不需要編譯這個(gè)步驟了,直接匹配:
>>> import re
# 編譯:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用:
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')