Python學習之正則

stonezhu發表於2018-06-24
Python

Python學習目錄

  1. 在Mac下使用Python3
  2. Python學習之資料型別
  3. Python學習之函式
  4. Python學習之高階特性
  5. Python學習之函數語言程式設計
  6. Python學習之模組
  7. Python學習之物件導向程式設計
  8. Python學習之物件導向高階程式設計
  9. Python學習之錯誤除錯和測試
  10. Python學習之IO程式設計
  11. Python學習之程式和執行緒
  12. Python學習之正則
  13. Python學習之常用模組
  14. Python學習之網路程式設計

正規表示式是一種用來匹配字串的強有力的武器。它的設計思想是用一種描述性的語言來給字串定義一個規則，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。

正則

基本

在正規表示式中，如果直接給出字元，就是精確匹配。用\d可以匹配一個數字，\w可以匹配一個字母或數字，所以：

  • '00\d'可以匹配'007'，但無法匹配'00A'；
  • '\d\d\d'可以匹配'010'；
  • '\w\w\d'可以匹配'py3'；

.可以匹配任意字元，所以：

  • 'py.'可以匹配'pyc'、'pyo'、'py!'等等。

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+表示至少一個字元，用?表示0個或1個字元，用{n}表示n個字元，用{n,m}表示n-m個字元：

來看一個複雜的例子：\d{3}\s+\d{3,8}。

我們來從左到右解讀一下：

  1. \d{3}表示匹配3個數字，例如'010'；
  2. \s可以匹配一個空格（也包括Tab等空白符），所以\s+表示至少有一個空格，例如匹配' '，' '等；
  3. \d{3,8}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電話號碼。

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{3}\-\d{3,8}。

但是，仍然無法匹配'010 - 12345'，因為帶有空格。所以我們需要更復雜的匹配方式。

進階

要做更精確地匹配，可以用[]表示範圍，比如：

  • [0-9a-zA-Z\_]可以匹配一個數字、字母或者下劃線；
  • [0-9a-zA-Z\_]+可以匹配至少由一個數字、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，後接任意個由一個數字、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\_]{0, 19}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'了。

re模組

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'
複製程式碼

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'
複製程式碼

先看看如何判斷正規表示式是否匹配：

>>> import re
>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
>>>
複製程式碼

match()方法判斷是否匹配，如果匹配成功，返回一個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')
複製程式碼

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{3})-(\d{3,8})$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{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'
複製程式碼

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。來看一個更凶殘的例子：

>>> 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')
複製程式碼

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])$'
複製程式碼

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。

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，也就是匹配儘可能多的字元。舉例如下，匹配出數字後面的0：

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

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（也就是儘可能少匹配），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')
複製程式碼

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。

如果一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{3})-(\d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')
複製程式碼

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。

下一篇：Python學習之常用模組

相關文章