python中的正規表示式

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。

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，\s可以匹配乙個空格，所以：

.（點）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。這就讓你自己來思考了，嘿嘿。

要做更精確地匹配，可以用表示範圍，比如：

[0-9a-za-z\_]可以匹配乙個數字、字母或者下劃線；

[0-9a-za-z\_]+可以匹配至少由乙個數字、字母或者下劃線組成的字串，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，後接任意個由乙個數字、字母或者下劃線組成的字串，也就是python合法的變數；

[a-za-z\_][0-9a-za-z\_]更精確地限制了變數的長度是1-20個字元（前面1個字元+後面最多19個字元）。

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' 或者『pypypypypy』類似這樣的字串了。

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; span=(0, 9), match='010-12345'>

>>> 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 d'.split('')

traceback (most recent call last):

file "", line 1, in

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

valueerror: empty separator

無法識別連續的字串，而出現報錯，用正規表示式，則不會出現錯誤。

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

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

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']

由此可見，正規表示式的妙處。

分組

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; span=(0, 9), match='010-12345'>

>>> 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。所以機器還是有侷限，人腦才是最棒的。

貪婪匹配

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')

編譯

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：

1，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；

,2，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。所以我們本節學習的只是乙個簡單的語法和用法，如果有興趣或者感覺這點知識不夠自己平時使用，可以自己去網上查資料，繼續學習。

python中的正規表示式

Python中的正規表示式

Python中的正規表示式

Python 中的正規表示式

python中的正規表示式

Python中的正規表示式

Python中的正規表示式

Python 中的正規表示式

相關推薦