Python學習之正則

stonezhu發表於2018-06-24

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