Python学习笔记-11正则表达式

该笔记记录的是学习廖雪峰Python3教程的过程,摘录了一些重点,重新编排内容,并加入了更丰富的代码示例和对学习过程中所遇到问题的理解。

本章内容安排如下:

简介

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大工具。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:

  1. 创建一个匹配Email的正则表达式;
  2. 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\s 可以匹配一个空格(也包括Tab等空白符)。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+ 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,用于匹配的正则表达式应为 \d{3}\-\d{3,8}

但是,上面的方法无法匹配 '010 - 12345',我们需要更复杂的匹配方式。



进阶

要做更精确地匹配,可以用 [] 表示一个范围,比如:

  • [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,比如’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)。
  • A|B 可以匹配A或B,所以 (P|p)ython 既可以匹配 'Python' 又可以匹配 'python'
  • ^ 表示行的开头,^\d 表示必须以数字开头。
  • 表示必须以数字结束。

有趣的是 py 也可以用来匹配 'python',但是加上 ^py$ 就变成了整行匹配,只能匹配 'py' 了。



re模块

有了准备知识,我们就可以在Python中使用正则表达式了。Python提供了 re 模块,包含所有正则表达式的功能。注意,在正则表达式中,我们使用 \ 来表示转义,但在Python的字符串中,\ 同样是一个转义符。因此,使用时我们就要特别注意字符串中的 \ 是否能正确地起作用。比方说:

1
s = 'ABC\\-001'

这个字符串中,第一个 \ 用于为第二个 \ 转义,所以打印这个字符串实际上得到的是 ‘ABC-001’,这样用作正则表达式时,就能正确地转义 -。而:

1
s = 'ABC\-001'

这个字符串实际上是 'ABC-001',由于 - 在正则表达式中是一个特殊字符,而这里我们希望的是它只作为用于匹配字符 - 的功能,所以这样得到的正则表达式就出错了。

因此在书写正则表达式时,推荐使用Python字符串的 r 前缀,这样就不用考虑字符转义的问题了:

1
s = r'ABC\-001'

r 前缀表示后面的字符串中无需转义字符。

接下来看看如何判断正则表达式是否与字符串匹配:

1
2
3
4
5
>>> import re
>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
>>>

re 模块的 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。常见的判断方法就是:

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

用正则表达式切分字符串比用固定的字符更灵活,请看正常的切分代码:

1
2
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']

嗯,无法识别连续的空格,用正则表达式试试:

1
2
>>> re.split(r'\s+', 'a b c') # '\s+'表示至少匹配一个空白字符
['a', 'b', 'c']

无论多少个空格都可以正常分割。加入 , 试试:

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

再加入 ; 试试:

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

如果用户输入了一组标签,下次记得可以用正则表达式来把不规范的输入转化成正确的数组。



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:

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'

如果正则表达式中定义了组,就可以在 Match 对象上用 group() 方法提取出某个子串。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:

1
2
3
4
>>> 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:

1
'^(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,这时就需要编写其他代码来配合识别了。



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:

1
2
>>> 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* 就只能匹配到空字符串了。

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,这时我们可以使用 ? 来让 \d+ 采用非贪婪匹配:

1
2
>>> 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,我们可以预编译正则表达式,接下来重复使用时就不需要编译这个步骤了,可以直接匹配:

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')

编译后生成 Regular Expression 对象,由于该对象自己包含了正则表达式,所以调用对应的方法时不用给出正则字符串。



小结

正则表达式非常强大,要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容,可以写一本厚厚的书了。如果你经常遇到正则表达式的问题,你可能需要一本正则表达式的参考书。



练习

习题一

请尝试写一个验证Email地址的正则表达式,可以验证类似以下格式的Email:

1
2
someone@gmail.com
bill.gates@microsoft.com

代码:

1
2
3
4
5
6
7
8
9
10
import re
re_email = re.compile(r'^[a-z.]+?@[a-z]+?.com$')
while True:
test = input('\nPlease input your email address: ')
if re_email.match(test):
print('ok')
else:
print('failed')

习题二

继续上一题,但这次的Email地址带名字,要既能验证地址又能提取出名字:

1
2
<Tom Paris> tom@voyager.com
<Mary Liu> mary@microsoft.com

代码:

1
2
3
4
5
6
7
8
9
10
11
import re
re_email = re.compile(r'^<([A-Za-z\s]+?)\s([A-Za-z\s]+?)>\s([a-z.]+?@[a-z]+?.com)$')
while True:
test = input('\nPlease input your email address: ')
match = re_email.match(test)
if match:
print(match.group(1)+' '+match.group(2)+"'s email address is: "+match.group(3))
else:
print('failed')


坚持技术分享,您的支持将鼓励我继续创作!