正規表示式

2021-06-26 12:08:11 字數 4993 閱讀 5718

正規表示式

字串是程式設計時涉及到的最多的一種資料結構,對字串進行操作的需求幾乎無處不在。比如判斷乙個字串是否是合法的email位址,雖然可以程式設計提取@前後的子串,再分別判斷是否是單詞和網域名稱,但這樣做不但麻煩,而且**難以復用。

正規表示式是一種用來匹配字串的強有力的**。它的設計思想是用一種描述性的語言來給字串定義乙個規則,凡是符合規則的字串,我們就認為它「匹配」了,否則,該字串就是不合法的。

所以我們判斷乙個字串是否是合法的email的方法是:

建立乙個匹配email的正規表示式;

用該正規表示式去匹配使用者的輸入來判斷是否合法。

因為正規表示式也是用字串表示的,所以,我們要首先了解如何用字元來描述字元。

在正規表示式中,如果直接給出字元,就是精確匹配。用\d可以匹配乙個數字,\w可以匹配乙個字母或數字,所以:

.可以匹配任意字元,所以:

要匹配變長的字元,在正規表示式中,用*表示任意個字元(包括0個),用+表示至少乙個字元,用?表示0個或1個字元,用表示n個字元,用表示n-m個字元:

來看乙個複雜的例子:\d\s+\d

我們來從左到右解讀一下:

\d表示匹配3個數字,例如'010'

\s可以匹配乙個空格(也包括tab等空白符),所以\s+表示至少有乙個空格,例如匹配' '' '等;

\d表示3-8個數字,例如'1234567'

綜合起來,上面的正規表示式可以匹配以任意個空格隔開的帶區號的**號碼。

如果要匹配'010-12345'這樣的號碼呢?由於'-'是特殊字元,在正規表示式中,要用'\'轉義,所以,上面的正則是\d\-\d

但是,仍然無法匹配'010 - 12345',因為帶有空格。所以我們需要更複雜的匹配方式。

要做更精確地匹配,可以用表示範圍,比如:

a|b可以匹配a或b,所以[p|p]ython可以匹配'python'或者'python'

^表示行的開頭,^\d表示必須以數字開頭。

$表示行的結束,\d$表示必須以數字結束。

你可能注意到了,py也可以匹配'python',但是加上^py$就變成了整行匹配,就只能匹配'py'了。

有了準備知識,我們就可以在python中使用正規表示式了。python提供re模組,包含所有正規表示式的功能。由於python的字串本身也用\轉義,所以要特別注意:

s = 'abc\\-001' # python的字串

# 對應的正規表示式字串變成:

# 'abc\-001'

因此我們強烈建議使用python的r字首,就不用考慮轉義的問題了:

s = r'abc\-001' # python的字串

# 對應的正規表示式字串不變:

# 'abc\-001'

先看看如何判斷正規表示式是否匹配:

>>> import re

>>> re.match(r'^\d\-\d$', '010-12345')

<_sre.sre_match object at 0x1026e18b8>

>>> re.match(r'^\d\-\d$', '010 12345')

>>>

match()方法判斷是否匹配,如果匹配成功,返回乙個match物件,否則返回none。常見的判斷方法就是:

test = '使用者輸入的字串'

if re.match(r'正規表示式', test):

print 'ok'

else:

print 'failed'

用正規表示式切分字串比用固定的字元更靈活,請看正常的切分**:

>>> 'a b   c'.split(' ')

['a', 'b', '', '', 'c']

嗯,無法識別連續的空格,用正規表示式試試:

>>> re.split(r'\s+', 'a b   c')

['a', 'b', 'c']

無論多少個空格都可以正常分割。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']

如果使用者輸入了一組標籤,下次記得用正規表示式來把不規範的輸入轉化成正確的陣列。

除了簡單地判斷是否匹配之外,正規表示式還有提取子串的強大功能。用()表示的就是要提取的分組(group)。比如:

^(\d)-(\d)$分別定義了兩個組,可以直接從匹配的字串中提取出區號和本地號碼:

>>> m = re.match(r'^(\d)-(\d)$', '010-12345')

>>> m

<_sre.sre_match object at 0x1026fb3e8>

>>> m.group(0)

'010-12345'

>>> m.group(1)

'010'

>>> m.group(2)

'12345'

如果正規表示式中定義了組,就可以在match物件上用group()方法提取出子串來。

注意到group(0)永遠是原始字串,group(1)group(2)……表示第1、2、……個子串。

提取子串非常有用。來看乙個更**的例子:

>>> 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')

這個正規表示式可以直接識別合法的時間。但是有些時候,用正規表示式也無法做到完全驗證,比如識別日期:

'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'
對於'2-30''4-31'這樣的非法日期,用正則還是識別不了,或者說寫出來非常困難,這時就需要程式配合識別了。

最後需要特別指出的是,正則匹配預設是貪婪匹配,也就是匹配盡可能多的字元。舉例如下,匹配出數字後面的0

>>> re.match(r'^(\d+)(0*)$', '102300').groups()

('102300', '')

由於\d+採用貪婪匹配,直接把後面的0全部匹配了,結果0*只能匹配空字串了。

必須讓\d+採用非貪婪匹配(也就是盡可能少匹配),才能把後面的0匹配出來,加個?就可以讓\d+採用非貪婪匹配:

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()

('1023', '00')

當我們在python中使用正規表示式時,re模組內部會幹兩件事情:

編譯正規表示式,如果正規表示式的字串本身不合法,會報錯;

用編譯後的正規表示式去匹配字串。

如果乙個正規表示式要重複使用幾千次,出於效率的考慮,我們可以預編譯該正規表示式,接下來重複使用時就不需要編譯這個步驟了,直接匹配:

>>> import re

# 編譯:

>>> re_telephone = re.compile(r'^(\d)-(\d)$')

# 使用:

>>> re_telephone.match('010-12345').groups()

('010', '12345')

>>> re_telephone.match('010-8086').groups()

('010', '8086')

編譯後生成regular expression物件,由於該物件自己包含了正規表示式,所以呼叫對應的方法時不用給出正則字串。

正規表示式非常強大,要在短短的一節裡講完是不可能的。要講清楚正則的所有內容,可以寫一本厚厚的書了。如果你經常遇到正規表示式的問題,你可能需要一本正規表示式的參考書。

正規表示式 正規表示式 總結

非負整數 d 正整數 0 9 1 9 0 9 非正整數 d 0 負整數 0 9 1 9 0 9 整數 d 非負浮點數 d d 正浮點數 0 9 0 9 1 9 0 9 0 9 1 9 0 9 0 9 0 9 1 9 0 9 非正浮點數 d d 0 0 負浮點數 正浮點數正則式 英文本串 a za z...

正規表示式 表示式

網域名稱 a za z0 9 a za z0 9 a za z0 9 a za z0 9 interneturl a za z s 或 http w w w 手機號碼 13 0 9 14 5 7 15 0 1 2 3 5 6 7 8 9 18 0 1 2 3 5 6 7 8 9 d 號碼 x x x...

Linux正規表示式 編寫正規表示式

為了所有實用化的用途,你可以通過使用程式產生正確的結果。然而,並不意味著程式總是如你所願的那樣正確地工作。多數情況下,如果程式不能產生想要的輸出,可以斷定真正的問題 排除輸入或語法錯誤 在於如何描述想要的東西。換句話說,應該考慮糾正問題的地方是描述想要的結果的表示式。表示式不完整或者公式表示得不正確...