正则表达式

发表于

什么时候会遇到正则表达式？

正则表达式是用来匹配字符串的一种工具。举例：

  • 如果我打开了一个文档，想要找到里面所有的电话号码（格式为xxx-xxxxxxx），如何实现？
  • 我建立了一个网站，用户注册的时候需要输入邮箱，如何检查用户输入的是否为正确的邮箱格式？
  • …
    这些都是经常遇到的问题，这个时候就可以用正则表达式了。

什么是正则表达式？

当我们在win10里查找某个目录下所有的txt文件时，大部分人都会直接搜索*.txt，这个*.txt就是正则表达式，表示后缀为*.txt的所有文件名。这是简单的一个例子，实际使用时，一个正则表达式可能是很复杂的，但都是由下面这些元素组成的：

  • 单个英文字母或数字，表示精确匹配，例如上例中的txt
  • \d表示一个数字，\w表示一个数字或字母，\s表示至少一个空格
  • .匹配任意一个字符
  • *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
  • []表示范围，例如[0-9]表示任意一个数字
  • …
    完整的正则表达式规则很长，上面的只是部分常用规则，完整规则可以参考re—正则表达式操作.

一些例子

我们可以尝试一些简单的例子：

  • \d{3}\s+\d{3,8}

我们从左往右读：\d{3}表示三个数字，\s+表示至少一个空格，\d{3,8}表示3到8个数字。

  • [0-9a-zA-Z\_]

匹配由一个数字、字母或者下划线组成的字符串，比如’a’，’_’，’3’等等

在Python中使用正则表达式

Python中我们一般用re模块来使用正则表达式。

匹配

1
2
3
4
5
6
import re
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

这里的re.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。
由于Python本身也使用\来表示转义，所以为了避免考虑这个问题，我们使用r前缀来禁用转义符的功能: 

1
test = r'用户输入的字符串'

进一步地，re模块还提供了其他的功能。

分割

1
2
>>> 'a b   c'.split(' ')
['a', 'b', '', '', 'c']

Python内置的split函数会将每一个空格分割开来，如果我们想将连续的空格分割为一个，则可以使用re模块的split()函数： 

1
2
>>> re.split(r'\s+', 'a b   c')
['a', 'b', 'c']

分组

()来表示一个组。

1
2
3
4
5
6
7
8
9
>>> 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'

贪婪匹配和非贪婪匹配

默认情况下是贪婪匹配，也就是尽可能地匹配更多的字符。

1
2
3
4
>>> s='hello 1234567 world'
>>> res = re.match('he.*(\d+).*rld$',s)
>>> print(res.group(1))
'7'

这里是因为.*会匹配多个任意字符，在默认的贪婪模式下，它会一直匹配到满足后面格式的最低要求，后面是\d+，所以它只给后面留了一个数字7。开启非贪婪模式，只需要在后面加一个?：

1
2
3
4
>>> s='hello 1234567 world'
>>> res = re.match('he.*?(\d+).*rld$',s)
>>> print(res.group(1))
'1234567'

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。

1
2
3
4
5
6
7
8
>>> 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')