正则表达式
正则表达式是用来匹配字符串的武器,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。
一、先记住几个最常用的
- 如果直接给出字符,就是精确匹配
- \d可以匹配一个数字,\w可以匹配一个字母或数字
- 比如:
'00\d'可以匹配'007',但是无法匹配'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
- 比如:
'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0到多个字符,+表示1到多个字符,?表示0或1个字符,{n}表示n个字符,{n,m}表示n-m个字符
- 比如:
\d{3}\s+\d{3,8}
从左往右看
1、\d{3}就是可以匹配3个数字,比如'010'
2、\s可以匹配一个空格(也包括Tab等空白符),\s+就可以匹配一个到多个空格。比如' ',' '等等
3、\d{3,8}表示3到8个数字,比如:'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,上面的正则是\d{3}-\d{3,8}。
二、进阶
要做到更精确地匹配,可以用[]表示范围,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
[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可以匹配'Python'或者'python'。
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。
你可能注意到了,py也可以匹配'python',但是加上^py$就变成了整行匹配,就只能匹配'py'了。
三、Python的re模块
上面的知识在很多编程语言都是通用的,而python提供了re模块供我们使用正则表达式
1、由于python的字符串本身也用\转义,所以要注意:
s = 'ABC\\-001' #python的字符串
对应的正则表达式字符串变成:
'ABC\-001'
为了避免转义我们前面加个r,前面操作文件的路径也是这样。
先看看如何判断正则表达式是否匹配:
>>>import re
>>>re.match(r'^\d{3}\-\d{3,8}$','010-12345') #以任意三个数字开头然后-然后以任意3到8个数字结尾,所以是匹配成功的
<_sre.SRE_Match object; span=(0, 9), match='010-12345'> #Match对象
>>> re.match(r'^\d{3}\-\d{3,8}$','010 12345') #匹配失败返回None
match()方法判断是否匹配,如果匹配成功,返回一个Match对象,否则返回None。常见的判断方法就是:
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
print('ok')
else:
print('failed')
2、切分字符串
我们用split来切分
>>> 'a b c'.split(' ')
['a', 'b', '', 'c']
>>> 'a b c'.split(' ')
['a b', 'c']
上面这些都不是我们想要的
我们使用正则表达式
>>> re.split(r'\s+','a b c')
['a', 'b', 'c']
无论多少个空格都可以正常分割。加入,试试:
>>> re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']
再加入;试试:
>>> re.split(r'[\s\,\;]+', 'a,b;; c d')
['a', 'b', 'c', 'd']
3、分组:
除了判断是否匹配之外,正则表达式还可以提取子串的功能,用()表示就是要提取的分组(Group)
>>> m = re.match(r'^(\d{3})-(\d{3,8})$','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()方法提取出子串来。注意到group(0)贪婪匹配的最大长度,group(1)、group(2)……表示第1、2、……个子串。
4、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,匹配出数字后面的0
>>> re.match(r'^(\d+)(0*)$','102300').groups()
('102300', '')
\d+匹配1到多个数字,由于正则匹配默认是贪婪匹配,所以会把102300的所有数字都匹配完,而0*,匹配0到多个0就只能
匹配空字符串。
要想让\d+采用非贪婪匹配,加个?就可以了
>>> re.match(r'^(\d+?)(0*)$','102300').groups()
('1023', '00')
>>>
5、编译:
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,直接匹配:
>>> import re
#编译
>>> re_telephone = re.complie(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。
正则表达式非常强大,一时半会肯定掌握不了,要多练,可备本正则表达式的参考书。
四、练习:
请尝试写一个验证Email地址的正则表达式。版本一应该可以验证出类似的Email:
someone@gmail.com
bill.gates@microsoft.com
import re
def is_valid_email(addr):
if re.match(r'^[a-z0-9]+\.?[a-z0-9]+\@[a-z]+\.com',addr):
return True
else:
return False
# 测试:
assert is_valid_email('someone@gmail.com')
assert is_valid_email('bill.gates@microsoft.com')
assert is_valid_email('112620581@qq.com')
assert not is_valid_email('bob#example.com')
assert not is_valid_email('mr-bob@example.com')
print('ok')
版本二可以提取出带名字的Email地址:
<Tom Paris> tom@voyager.org => Tom Paris
bob@example.com => bob
def name_of_email(addr):
m = re.match(r'<?([a-z\sA-Z]+)>?\s?([a-z]*\@[a-z]+\.[a-z]{3})',addr)
return m.group(1)
# 测试:
assert name_of_email('<Tom Paris> tom@voyager.org') == 'Tom Paris'
assert name_of_email('tom@voyager.org') == 'tom'
print('ok')
答案有很多,这不是最简的。前面的进程和线程有点难消化,需要缓缓...最后附上一首歌,说谎,网易云终于有林宥嘉的版权了,可以删掉其他播放器了...