基礎(chǔ)篇

正則表達(dá)式在python中運(yùn)用的非常多，因?yàn)樗梢赃M(jìn)行任意的匹配，可以匹配我們想要提取的信息。當(dāng)我們接觸正則的時(shí)候你就會(huì)知道正則的強(qiáng)大。正則有一個(gè)庫(kù)re 在一些工程中我們會(huì)經(jīng)常調(diào)用正則的庫(kù)來(lái)做與匹配相關(guān)的問(wèn)題。

字符串是編程時(shí)涉及到的最多的一種數(shù)據(jù)結(jié)構(gòu)，對(duì)字符串進(jìn)行操作的需求幾乎無(wú)處不在。比如判斷一個(gè)字符串是否是合法的Email地址，雖然可以編程提取 @ 前后的子串，再分別判斷是否是單詞和域名，但這樣做不但麻煩，而且代碼難以復(fù)用。

正則表達(dá)式是一種用來(lái)匹配字符串的強(qiáng)有力的武器。它的設(shè)計(jì)思想是用一種描述性的語(yǔ)言來(lái)給字符串定義一個(gè)規(guī)則，凡是符合規(guī)則的字符串，我們就認(rèn)為它“匹配”了，否則，該字符串就是不合法的。

所以我們判斷一個(gè)字符串是否是合法的Email的方法是：

1.創(chuàng)建一個(gè)匹配Email的正則表達(dá)式；

2.用該正則表達(dá)式去匹配用戶的輸入來(lái)判斷是否合法。

因?yàn)檎齽t表達(dá)式也是用字符串表示的，所以，我們要首先了解如何用字符來(lái)描述字符。

在正則表達(dá)式中，如果直接給出字符，就是精確匹配。用 \d 可以匹配一個(gè)數(shù)字， \w 可以匹配一個(gè)字母或數(shù)字，所以：

• '00\d' 可以匹配 '007' ，但無(wú)法匹配 '00A' ；

• '\d\d\d' 可以匹配 '010' ；

• '\w\w\d' 可以匹配 'py3' ；

. 可以匹配任意字符，所以：
• 'py.' 可以匹配 'pya' 、 'pyb' 、 'py!' 等等。 

要匹配變長(zhǎng)的字符，在正則表達(dá)式中，用 * 表示任意個(gè)字符（包括0個(gè)），用 + 表示至少一個(gè)字符，用 ? 表示0個(gè)或1個(gè)字符，用 {n} 表示n個(gè)字符，用 {n,m} 表示n-m個(gè)字符：

來(lái)看一個(gè)復(fù)雜的例子： \d{3}\s+\d{3,8} 。

我們來(lái)從左到右解讀一下：

1. \d{3} 表示匹配3個(gè)數(shù)字，例如 '010' ；

2. \s 可以匹配一個(gè)空格（也包括Tab等空白符），所以 \s+ 表示至少有一個(gè)空格，例如匹配 ' ' ， ' ' 等；

3. \d{3,8} 表示3-8個(gè)數(shù)字，例如 '1234567' 。

綜合起來(lái)，上面的正則表達(dá)式可以匹配以任意個(gè)空格隔開(kāi)的帶區(qū)號(hào)的電話號(hào)碼。

如果要匹配 '010-12345' 這樣的號(hào)碼呢？由于 '-' 是特殊字符，在正則表達(dá)式中，要用 '\' 轉(zhuǎn)義，所以，上面的正則是 \d{3}\-\d{3,8} 。

但是，仍然無(wú)法匹配 '010 - 12345' ，因?yàn)閹в锌崭?。所以我們需要更?fù)雜的匹配方式。

強(qiáng)化篇

要做更精確地匹配，可以用 [] 表示范圍，比如：

• [0-9a-zA-Z\_] 可以匹配一個(gè)數(shù)字、字母或者下劃線；

• [0-9a-zA-Z\_]+ 可以匹配至少由一個(gè)數(shù)字、字母或者下劃線組成的字符串，比如 'a100' ， '0_Z' ， 'Py3000' 等等；

• [a-zA-Z\_][0-9a-zA-Z\_]* 可以匹配由字母或下劃線開(kāi)頭，后接任意個(gè)由一個(gè)數(shù)字、字母或者下劃線組成的字符串，也就是Python合法的變量；

• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19} 更精確地限制了變量的長(zhǎng)度是1-20個(gè)字符（前面1個(gè)字符+后面最多19個(gè)字符）。

A|B 可以匹配A或B，所以 (P|p)ython 可以匹配 'Python' 或者 'python' 。

^ 表示行的開(kāi)頭， ^\d 表示必須以數(shù)字開(kāi)頭。

$ 表示行的結(jié)束， \d$ 表示必須以數(shù)字結(jié)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模塊

有了準(zhǔn)備知識(shí)，我們就可以在Python中使用正則表達(dá)式了。Python提供 re 模塊，包含所有正則表達(dá)式的功能。由于Python的字符串本身也用 \ 轉(zhuǎn)義，所以要特別注意：

s = 'ABC\\-001' # Python的字符串
# 對(duì)應(yīng)的正則表達(dá)式字符串變成：
# 'ABC\-001'

因此我們強(qiáng)烈建議使用Python的 r 前綴，就不用考慮轉(zhuǎn)義的問(wèn)題了：

s = r'ABC\-001' # Python的字符串
# 對(duì)應(yīng)的正則表達(dá)式字符串不變：
# 'ABC\-001'

先看看如何判斷正則表達(dá)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() 方法判斷是否匹配，如果匹配成功，返回一個(gè) Match 對(duì)象，否則返回 None 。常見(jiàn)的判斷方法就是：

test = '用戶輸入的字符串'
if re.match(r'正則表達(dá)式', test):
  print 'ok'
else:
  print 'failed'

切分字符串

用正則表達(dá)式切分字符串比用固定的字符更靈活，請(qǐng)看正常的切分代碼：

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

嗯，無(wú)法識(shí)別連續(xù)的空格，用正則表達(dá)式試試：

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

無(wú)論多少個(gè)空格都可以正常分割。加入,試試：

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

再加入;試試：

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

如果用戶輸入了一組標(biāo)簽，下次記得用正則表達(dá)式來(lái)把不規(guī)范的輸入轉(zhuǎn)化成正確的數(shù)組。

分組

除了簡(jiǎn)單地判斷是否匹配之外，正則表達(dá)式還有提取子串的強(qiáng)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(gè)組，可以直接從匹配的字符串中提取出區(qū)號(hào)和本地號(hào)碼：

 
>>> 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'

如果正則表達(dá)式中定義了組，就可以在Match對(duì)象上用group()方法提取出子串來(lái)。

注意到 group(0) 永遠(yuǎn)是原始字符串， group(1) 、 group(2) ……表示第1、2、……個(gè)子串。

提取子串非常有用。來(lái)看一個(gè)更兇殘的例子：

>>> 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')

這個(gè)正則表達(dá)式可以直接識(shí)別合法的時(shí)間。但是有些時(shí)候，用正則表達(dá)式也無(wú)法做到完全驗(yàn)證，比如識(shí)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])$'

對(duì)于 '2-30' ， '4-31' 這樣的非法日期，用正則還是識(shí)別不了，或者說(shuō)寫(xiě)出來(lái)非常困難，這時(shí)就需要程序配合識(shí)別了。

貪婪匹配

最后需要特別指出的是，正則匹配默認(rèn)是貪婪匹配，也就是匹配盡可能多的字符。舉例如下，匹配出數(shù)字后面的 0 ：

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')

由于\d+采用貪婪匹配，直接把后面的0全部匹配了，結(jié)果0*只能匹配空字符串了。

必須讓 \d+ 采用非貪婪匹配（也就是盡可能少匹配），才能把后面的 0 匹配出來(lái)，加個(gè) ? 就可以讓 \d+ 采用非貪婪匹配：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

編譯

當(dāng)我們?cè)赑ython中使用正則表達(dá)式時(shí)，re模塊內(nèi)部會(huì)干兩件事情：

1.編譯正則表達(dá)式，如果正則表達(dá)式的字符串本身不合法，會(huì)報(bào)錯(cuò)；

2.用編譯后的正則表達(dá)式去匹配字符串。

如果一個(gè)正則表達(dá)式要重復(fù)使用幾千次，出于效率的考慮，我們可以預(yù)編譯該正則表達(dá)式，接下來(lái)重復(fù)使用時(shí)就不需要編譯這個(gè)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')

編譯后生成Regular Expression對(duì)象，由于該對(duì)象自己包含了正則表達(dá)式，所以調(diào)用對(duì)應(yīng)的方法時(shí)不用給出正則字符串。

小結(jié)

正則表達(dá)式非常強(qiáng)大，要在短短的一節(jié)里講完是不可能的。要講清楚正則的所有內(nèi)容，可以寫(xiě)一本厚厚的書(shū)了。如果你經(jīng)常遇到正則表達(dá)式的問(wèn)題，你可能需要一本正則表達(dá)式的參考書(shū)。

請(qǐng)嘗試寫(xiě)一個(gè)驗(yàn)證Email地址的正則表達(dá)式。版本一應(yīng)該可以驗(yàn)證出類(lèi)似的Email：
someone@gmail.com
Demonzjs93@gmail.com

總結(jié)一下python中常用的匹配符：

\w     可以匹配一個(gè)字母或者數(shù)字

\d     匹配數(shù)字

\d+    可以匹配多個(gè)數(shù)字

\d+?   可以匹配一部分?jǐn)?shù)字（一組）

^      匹配行首

$      匹配行尾

^\d    第一個(gè)必須為數(shù)字

\d$    最后一個(gè)必須為數(shù)字

\s     匹配一個(gè)空格

\d{3,8}          匹配3-8個(gè)數(shù)字

[0-9a-zA-Z\_]    可以匹配一個(gè)數(shù)字、字母或者下劃線；

[0-9a-zA-Z\_]+   可以匹配至少由一個(gè)數(shù)字、字母或者下劃線組成的字符串，比如'a100'，'0_Z'，'Py3000'等等；

[a-zA-Z\_][0-9a-zA-Z\_]*   可以匹配由字母或下劃線開(kāi)頭，后接任意個(gè)由一個(gè)數(shù)字、字母或者下劃線組成的字符串，也就是Python合法的變量；

[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}   更精確地限制了變量的長(zhǎng)度是1-20個(gè)字符（前面1個(gè)字符+后面最多19個(gè)字符）。

.    匹配任意個(gè)字符
*    匹配任意個(gè)字符（包括0個(gè)）
？   匹配0個(gè)或1個(gè)字符
+    匹配至少一個(gè)字符
{n}      n個(gè)字符
{n,m}    n-m個(gè)字符

>>>'Demon is a good %s' % ('boy')
'Demon is a good boy'

只要可以熟料運(yùn)用上面的匹配符，今后運(yùn)用正則表達(dá)式可以做很多功能，當(dāng)你動(dòng)手做的時(shí)候就知道正則的強(qiáng)大了。