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...