Python · 正则表达式

发表于 | 更新于 | 分类于 | 阅读次数：

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。

功能：

  • 校验字符串，判断是否匹配
  • 提取子字符串

字符

\d：表示可以匹配一个数字

\w：表示可以匹配一个字母或数字

.：表示可以匹配任意字符

*：表示任意个字符（包括0个）

+：表示至少一个字符

?：表示0个或1个字符

{n}：表示n个字符

{n,m}：表示n-m个字符

\s：表示可以匹配一个空格（也包括Tab等空白符），所以\s+表示至少有一个空格

[]：表示更精确地范围匹配

^：表示行的开头，^\d表示必须以数字开头

$：表示行的结束，\d$表示必须以数字结束

A|B：可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'。

[0-9a-zA-Z\_]：可以匹配一个数字、字母或者下划线

[0-9a-zA-Z\_]+：可以匹配至少由一个数字、字母或者下划线组成的字符串，如'a100'，'0_Z'，'Py3000'等等

[a-zA-Z\_][0-9a-zA-Z\_]*：可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者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}：更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）

re 模块：Python 提供 re模块，包含所有正则表达式的功能，建议使用 r 前缀，就不用考虑转义的问题。

match() 方法：判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

1
2
3
4
5
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

切分字符串

1
2
>>> re.split(r'\s+', 'a b   c')
['a', 'b', 'c']

分组：可以在Match对象上用group()方法提取出子串来，group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。

1
2
3
4
5
6
7
8
9
>>> 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'

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。

1
2
3
4
5
6
7
>>> 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：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：

1）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。

2）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，直接进行匹配。

1
2
3
4
5
6
7
8
>>> import re
# 编译:
>>> 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')