Python學習目錄
- 在Mac下使用Python3
- Python學習之資料型別
- Python學習之函式
- Python學習之高階特性
- Python學習之函數語言程式設計
- Python學習之模組
- Python學習之物件導向程式設計
- Python學習之物件導向高階程式設計
- Python學習之錯誤除錯和測試
- Python學習之IO程式設計
- Python學習之程式和執行緒
- Python學習之正則
- Python學習之常用模組
- 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。
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:
\d{3}
表示匹配3個數字,例如'010'
;\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;\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*)$', '102300').groups()
('1023', '00')
複製程式碼
編譯
當我們在Python中使用正規表示式時,re模組內部會幹兩件事情:
- 編譯正規表示式,如果正規表示式的字串本身不合法,會報錯;
- 用編譯後的正規表示式去匹配字串。
如果一個正規表示式要重複使用幾千次,出於效率的考慮,我們可以預編譯該正規表示式,接下來重複使用時就不需要編譯這個步驟了,直接匹配:
>>> import re
# 編譯:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 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。