11.python正则表达式

发表于 更新于 分类于 阅读次数： Waline： 本文字数： 2.7k 阅读时长 ≈ 2 分钟

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。

正则表达式是一种用来匹配字符串的强有力的武器。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。

正则表达式基础的表示方式，如数字，开头，结尾等，可以参考相关文档。

菜鸟教程-正则表达式

Regular_expressions

re模块

Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：

1
2
3
s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC\-001'

所以强烈建议使用Python的r前缀，就不用考虑转义的问题了

1
2
3
s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'

匹配

使用正则进行匹配

1
2
3
4
5
6
>>> import re
>>>
>>> re.match(r'\d+', '111')
<re.Match object; span=(0, 3), match='111'>
>>> re.match(r'\d+', 'aa')
>>>

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 = '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

1
2
3
4
5
6
7
8
9
>>>
>>> 'a b    c  d     e'.split(' ')
['a', 'b', '', '', '', 'c', '', 'd', '', '', '', '', 'e']
>>>
>>> re.split(r'\s+' , 'a b    c  d     e')
['a', 'b', 'c', 'd', 'e']
>>>
>>> re.split(r'[\s\,]+' , 'a b  , ,  c , d     e')
['a', 'b', 'c', 'd', 'e']

可以看出来使用正则更加灵活和强大，便于把不规范的输入转换成正确的数组。

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
10
11
>>>
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<re.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。

group(0)永远是与整个正则表达式相匹配的字符串，group(1)、group(2)……表示第1、2、……个子串。

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。举例如下，匹配出数字后面的0， 加上 ? 说明采用非贪婪模式。

1
2
3
4
5
6
>>> re.match(r'(\d+)(0*)$', '102010').groups()
('102010', '')
>>>
>>> re.match(r'(\d+?)(0*)$', '10201000').groups()
('10201', '000')
>>>

\d+ 采用非贪婪模式，后面加上? ，改为 (\d+?)

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(和java一样)

1
2
3
4
5
6
>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')

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。