正则表达式

Posted 2020-10-02 让学习如呼吸般自然

正则表达式的实现和应用场景

基础

• \d可以匹配一个数字

• \w可以匹配一个数字或字母或_

• \s可以匹配一个空格（也包括Tab等空白符）

• .可以匹配任意字符（数量为1）

• *表示任意个字符（包括0个）

• +表示至少一个字符

• ?表示0个或1个字符

• {n}表示n个字符

• {n,m}表示n-m个字符

• ^{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。 (注意\W和\S为对应\w和\s的取反)

来看一个复杂的例子，我们来解读一下    \d{3}\s+\d{3,8} 我们来从左到右解读一下

1.可以匹配三个数字

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.可以匹配3-8个数字

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}

-----------------------------------------------------------------------------------------------------------------------------------------------------------

进阶

要做到更精确的匹配，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_]+可以匹配至少有一个数字.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_]{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

py也可以匹配python,但是改为^py$就变成了整行匹配，就只能匹配py了

-----------------------------------------------------------------------------------------------------------------------------------------------------------

re模块

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‘

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‘]

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‘]

分组
除了简单的判断是否匹配之外，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; span=(0, 9), match=‘010-12345‘>>>> m.group(0)‘010-12345‘>>> m.group(1)‘010‘>>> m.group(2)‘12345‘

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：

>>> 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。