正则表达式
最后更新于：2022-04-02 00:35:09
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一个合法的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，我们juice认为它“匹配”了，否则，该字符串就是不合法的。
所以我们判断一个字符串是否是合法的Email的方法是：
1.创建一个匹配Email的正则表达式；
2.用该正则表达式去匹配用户的输入来判断是否合法。
由于正则表达式也是用字符串表示的，所以，我们要首先了解如何用字符来表述字符。
### 一、匹配单个字符
在正则表达式中，如果直接给出字符，就是精确匹配。
\d可以匹配一个数字
\w可以匹配一个字母或数字
. 可以匹配任意一个字符
如，‘00\d' 可以匹配'007'，但无法匹配'00A';
### 二、匹配边长的字符
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：
如，\d{3}\s+\d{3,8}表示，三个数字，至少一个空格，3-8个数字
### 三、进阶
要做更精确地匹配，可以用 [ ] 表示范围，
比如：
-
`[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\_][a-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合法的变量；
-
`[a-zA-Z\_][a-zA-Z\_]{0, 19}`更精确地限制了变量的长度是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。
`$`表示行的结束，`\d$`表示必须以数字结束。
你可能注意到了，`py`也可以匹配`'python'`，但是加上`^py$`就变成了整行匹配，就只能匹配`'py'`了。
### 四、re模块
python提供re模块，包含所有正则表达式的功能。
### 先来看看如何判断正则表达式是否匹配：
~~~
>>> import re
>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
<_sre.SRE_Match object at 0x1026e18b8>
>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
>>>
~~~
`match()`方法判断是否匹配，如果匹配成功，返回一个`Match`对象，否则返回`None`。常见的判断方法就是：
~~~
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
print 'ok'
else:
print 'failed'
~~~
### 搜索子字符串
`search()`方法判断是包含子字符串，如果包含可用group()来查看结果，如果不包含返回None。
~~~
>>> m = re.search('[0-9]','abcd3ef')
>>> print m.group(0)
3
>>> m = re.search('[0-9]','abcdef')
>>> m.group()
~~~
### 替换子串
~~~
str = re.sub(pattern, replacement, string)
# 在string中利用正则变换pattern进行搜索，对于搜索到的字符串，用另一字符串replacement替换。返回替换后的字符串。
~~~
~~~
>>> str=re.sub('[0-9]','u','ab2c1def')
>>> str
'abucudef'
~~~
### 切分字符串
用正则表达式**切分字符串**比用固定的字符更灵活，请看正常的切分代码：
~~~
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']
~~~
结果发现，无法识别连续的空格，用正则表达式试试：
~~~
>>> re.split(r'\s+', 'a b c')
['a', 'b', 'c']
~~~
无论多少个空格都可以正常进行分割。加入，试试：
~~~
>>> re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']
~~~
### 分组(提取子串)
除了简单地判断是否匹配之外，正则表达式还有**提取子串的强大功能**。用`()`表示的就是要提取的分组（Group）。
比如：`^(\d{3})-(\d{3,8})$`分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：
~~~
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object at 0x1026fb3e8>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
~~~
如果正则表达式中定义了组，就可以在`Match`对象上用`group()`方法提取出子串来。
注意到`group(0)`永远是原始字符串，`group(1)`、`group(2)`……表示第1、2、……个子串。
### 五、编译
当我们在Python中使用正则表达式时，re模块内部会干两件事情：
1.编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
2.用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次，出于效率的考虑，我们**可以预编译该正则表达式**，接下来重复使用时就不需要编译这个步骤了，直接匹配：
~~~
>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')
~~~
编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。
';