Python中正则表达式详解

基础篇

正则表达式在python中运用的非常多，因为他可以进行任意的匹配，可以匹配我们想要提取的信息。当我们接触正则的时候你就会知道正则的强大。正则有一个库re 在一些工程中我们会经常调用正则的库来做与匹配相关的问题。

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。比如判断一个字符串是否是合法的Email地址，虽然可以编程提取 @ 前后的子串，再分别判断是否是单词和域名，但这样做不但麻烦，而且代码难以复用。

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。

所以我们判断一个字符串是否是合法的Email的方法是：

1.创建一个匹配Email的正则表达式；

2.用该正则表达式去匹配用户的输入来判断是否合法。

因为正则表达式也是用字符串表示的，所以，我们要首先了解如何用字符来描述字符。

在正则表达式中，如果直接给出字符，就是精确匹配。用 \d 可以匹配一个数字， \w 可以匹配一个字母或数字，所以：

• '00\d' 可以匹配 '007' ，但无法匹配 '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，所以：
• 'py.' 可以匹配 'pya' 、 'pyb' 、 'py!' 等等。 

要匹配变长的字符，在正则表达式中，用 * 表示任意个字符（包括0个），用 + 表示至少一个字符，用 ? 表示0个或1个字符，用 {n} 表示n个字符，用 {n,m} 表示n-m个字符：

来看一个复杂的例子： \d{3}\s+\d{3,8} 。

我们来从左到右解读一下：

1. \d{3} 表示匹配3个数字，例如 '010' ；

2. \s 可以匹配一个空格（也包括Tab等空白符），所以 \s+ 表示至少有一个空格，例如匹配 ' ' ， ' ' 等；

3. \d{3,8} 表示3-8个数字，例如 '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} 。

但是，仍然无法匹配 '010 - 12345' ，因为带有空格。所以我们需要更复杂的匹配方式。

强化篇

要做更精确地匹配，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，也就是Python合法的变量；

• [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。

re模块

有了准备知识，我们就可以在Python中使用正则表达式了。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：

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

因此我们强烈建议使用Python的 r 前缀，就不用考虑转义的问题了：

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

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}$', '010-12345')
<_sre.SRE_Match object at 0x1026e18b8>
>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
>>>

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'

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，请看正常的切分代码：

>>> 'a b  c'.split(' ')
['a', 'b', '', '', 'c']

嗯，无法识别连续的空格，用正则表达式试试：

>>> 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']

如果用户输入了一组标签，下次记得用正则表达式来把不规范的输入转化成正确的数组。

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：

>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '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) 永远是原始字符串， group(1) 、 group(2) ……表示第1、2、……个子串。

提取子串非常有用。来看一个更凶残的例子：

>>> 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')

这个正则表达式可以直接识别合法的时间。但是有些时候，用正则表达式也无法做到完全验证，比如识别日期：
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'

对于 '2-30' ， '4-31' 这样的非法日期，用正则还是识别不了，或者说写出来非常困难，这时就需要程序配合识别了。

贪婪匹配

最后需要特别指出的是，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 ：

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

由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。

必须让 \d+ 采用非贪婪匹配（也就是尽可能少匹配），才能把后面的 0 匹配出来，加个 ? 就可以让 \d+ 采用非贪婪匹配：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

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：

>>> import re
# 编译:
>>> re_telephone = re.compile(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。

小结

正则表达式非常强大，要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容，可以写一本厚厚的书了。如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。

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：
[e-mail]
[e-mail]

总结一下python中常用的匹配符：

\w     可以匹配一个字母或者数字

\d     匹配数字

\d+    可以匹配多个数字

\d+?   可以匹配一部分数字（一组）

^      匹配行首

$      匹配行尾

^\d    第一个必须为数字

\d$    最后一个必须为数字

\s     匹配一个空格

\d{3,8}          匹配3-8个数字

[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，也就是Python合法的变量；

[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）。

.    匹配任意个字符
*    匹配任意个字符（包括0个）
？   匹配0个或1个字符
+    匹配至少一个字符
{n}      n个字符
{n,m}    n-m个字符

>>>'Demon is a good %s' % ('boy')
'Demon is a good boy'

只要可以熟料运用上面的匹配符，今后运用正则表达式可以做很多功能，当你动手做的时候就知道正则的强大了。