文章目录
字符串是编程时涉及到的最多的一种数据结构,对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址,虽然可以编程提取@前后的子串,再分别判断是否是单词和域名,但这样做不但麻烦,而且代码难以复用。
正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,就认为它“匹配”了,否则,该字符串就是不合法的。
所以判断一个字符串是否是合法的Email的方法是:
- 创建一个匹配Email的正则表达式
- 用该正则表达式去匹配用户的输入来判断是否合法
Python自1.5版本起增加了re模块,它提供Perl 风格的正则表达式模式
re模块使Python语言拥有全部的正则表达式功能
了解元字符
因为正则表达式也是用字符串表示的,所以首先了解如何用字符来描述字符
# 精确匹配
strs = "a,b;c@d"
print(re.split(r'[,;@]', strs))
# 输出:['a', 'b', 'c', 'd']
如果直接给出字符,就是精确匹配,但有一些字符加上转义符后就具有特殊含义
- \d可以匹配一个数字
- 例如:‘00\d’可以匹配’007’,但无法匹配’00A’
- ‘\d\d\d’可以匹配’010’
- \w可以匹配一个字母或数字
- 例如:‘\w\w\d’可以匹配’py3’,也可以匹配’p13’
- ’ . '可以匹配任意字符
- 例如:'py.‘可以匹配’pyc’、‘pyo’、'py!'等等
- \s可以匹配任何空白字符,包括空格、制表符、换页符等等
这些特殊字符在正则表达式中称为元字符
常用的元字符
Python中常见的元字符有:
元字符 | 功能 |
---|---|
. | 匹配除换行符以外的任意单个字符.要匹配包括’\n’在内的任何字符,请使用象’[.\n]'的模式 |
\d | 匹配一个数字字符。等价于[0-9] |
\D | 匹配一个非数字字符。等价于[^0-9] |
\s | 匹配任何空白字符,包括空格、制表符、换页符等等。等价于[\f\n\r\t\v] |
\S | 匹配任何非空白字符。等价于[^\f\n\r\t\v] |
\w | 匹配包括下划线的任何单词字符。等价于[A-Za-z0-9_] |
\W | 匹配任何非单词字符。等价于[^A-Za-z0-9_] |
要匹配变长的字符,在正则表达式中,用*表示任意个字符(包括0个),用+表示至少一个字符,用?表示0个或1个字符,用{n}表示n个字符,用{n,m}表示n~m个字符
- 来看一个复杂的例子:\d{3}\s+\d{3,8}
- \d{3}表示匹配3个数字,例如’010’
- \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 ‘空格’,‘空格空格’,'空格空格空格’等;
- \d{3,8}表示3-8个数字,例如’1234567’,‘123’,‘12345’
- 综上,该正则表达式可以匹配以任意个空格隔开的带三位区号的电话号码
phone_numm = "055 12345678"
print(re.match(r"\d{3}\s\d{3,8}", phone_numm))
# 输出: <re.Match object; span=(0, 12), match='055 12345678'>
- 如果要匹配’010-12345’这样的号码呢?
- 由于’-‘是特殊字符,要用’'转义,所以可用\d{3}-\d{3,8}进行匹配
正则表达式进阶
要做更精确地匹配,则还需编写更复杂的正则表达式
- 在正则中-表示从什么到什么,[]表示范围,例如:
- [0-9a-zA-Z_]可以匹配一个数字、字母或者下划线
- [0-9a-zA-Z_]+可以匹配至少由一个数字、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_]*可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的命名规则
- [a-zA-Z_][0-9a-zA-Z_]{0, 19}更精确地限制了长度是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’
- ^ 表示行的开头,^\d表示必须以数字开头
- KaTeX parse error: Undefined control sequence: \d at position 8: 表示行的结束,\̲d̲表示必须以数字结束
re模块
Python提供re模块,包含所有正则表达式的功能。由于Python的字符串本身也用\转义,所以要特别注意:
- s = ‘ABC\-001’ ,s类型为str,即Python最基本的字符串
- 由于’‘会对’'进行转义,故对应的正则表达式字符串变成:‘ABC-001’
Python中为字符串提供了一种特殊的语法标记:r’abcdefg\hijklmn’
如果使用r标记字符串,那么就不再需要考虑转义的问题了:
- s = r’ABC-001’
- 对应的正则表达式字符串不变:‘ABC-001’
推荐在Python中进行正则表达式匹配时,使用r前缀标记字符串
match方法
re模块提供了一个match方法,可以判断正则表达式是否匹配
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
- import re 使用前需要先导入re模块
- re.match(r’^\d{3}-\d{3,8}$', ‘010-12345’)
- 调用match方法,左边需要传入一个正则表达式,右边为待匹配的字符串
- 如果能匹配上则返回:<_sre.SRE_Match object; span=(0, 9), match=‘010-12345’>
- re.match(r’^\d{3}-\d{3,8}$', ‘010 12345’) 无法匹配则返回空,即None
match方法通常会结合if选择结构进行判断:
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
Python中的字符串自带split方法可以指定分隔符进行字符串的切分
同样re模块也提供了split方法,可以按照指定的正则表达式进行字符串的切分
- str自带的split方法无法识别连续的空格
使用re模块中的split方法无论多少个空格都可以正常分割
strs = "a b c"
print(re.split(r'\s+', strs))
# 输出:['a', 'b', 'c']
试一试,假设有一个字符串:‘a,b;; c d’,请尝试给出对应的正则表达式,能够将 a b c d都切分出来
text = 'a,b;; c d'
# 使用正则表达式分割字符串,忽略空白字符和多个连续的分隔符
parts = re.split(r'\s*[,;]*\s*', text)
# 但出于某种原因需要确保没有空字符串,可以添加一个简单的列表推导式
parts = [part for part in parts if part]
print(parts)
# 输出:['a', 'b', 'c', 'd']
分组
除了简单地判断是否匹配之外,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,可以直接从字符串中提取出区号和本地号码
phone_numm = "055-12345678"
print(re.match(r"(\d{3})-(\d{3,8})", phone_numm).group()) # 输出:055-12345678
print(re.match(r"(\d{3})-(\d{3,8})", phone_numm).group(1)) # 输出:055
print(re.match(r"(\d{3})-(\d{3,8})", phone_numm).group(2)) # 输出:12345678
如果正则表达式中定义了组,就可以在Match对象上用group()方法提取出子串来
注意:group(0)永远是与整个正则表达式相匹配的字符串,group(1)、group(2)…表示第1、2、……个子串
再来看个例子,假设有一个时间字符串:t = ‘19:05:30’
需要提取该时间字符串中的小时、分钟、秒,正则表达式该如何编写?
t = "19:05:30"
# 匹配出时间
# 分组使用的是在正则内部使用 括号 第几个括号就是第几个组别
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).groups()) # ('19', '05', '30')
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).group(1)) # 19
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).group(2)) # 05
print(re.match(r"([0-1]\d|2[0-3]):([0-5]\d):([0-5]\d)", t).group(3)) # 30
上述正则表达式可以直接识别合法的时间。但是有些时候,用正则表达式也无法做到完全验证,比如识别日期:
- ‘^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$’
- 对于’2-30’,'4-31’这样的非法日期,该正则无法识别,或者说写出来非常困难,这时就需要程序配合识别了
贪婪匹配
正则匹配默认是贪婪匹配,也就是匹配尽可能多的字符
例如,匹配出数字后面的0:
- re.match(r’^(\d+)(0*)$', ‘102300’).groups()
- 最终结果:(‘102300’, ‘’)
print(re.match(r'^(\d+)(0*)$', '102300').groups())
# 输出:('102300', '')
由于\d+采用贪婪匹配,直接把后面的0全部匹配了,结果0*只能匹配空字符串
必须让\d+采用非贪婪匹配(也就是尽可能少匹配),才能把后面的0匹配出来,加个?就可以让\d+采用非贪婪匹配:
- re.match(r’^(\d+?)(0*)$', ‘102300’).groups()
- 最终结果:(‘1023’, ‘00’)
re.match(r'^(\d+?)(0*)$', '102300').groups()
# 输出:('1023', '00')
预编译
当在Python中使用正则表达式时,re模块内部会干两件事情:
- 编译正则表达式,如果正则表达式的字符串本身不合法,会报错
- 用编译后的正则表达式去匹配字符串
如果一个正则表达式要重复使用几千次,出于效率的考虑,可以使用compile方法预编译该正则表达式,接下来重复使用时就不需要编译这个步骤了,直接匹配:
import re # 导入模块
re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$') # 预编译
print(re_telephone.match('010-12345').groups()) # 进行匹配并返回所有组 ('010', '12345')
print(re_telephone.match('010-8086').groups()) # 进行匹配并返回所有组 ('010', '8086')
标签:匹配,re,Python,print,正则表达式,字符串,match
From: https://blog.csdn.net/weixin_73504499/article/details/140531057