正则表达式

简介

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大工具。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，我们就认为它“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。

因为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描述字符。

在正则表达式中，如果直接给出字符，就是精确匹配。用 \d 可以匹配一个数字，\w 可以匹配一个字母或数字，\s 可以匹配一个空格（也包括Tab等空白符）。所以：

• '00\d' 可以匹配 '007'，但无法匹配 '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 'pyc'、'pyo'、'py!' 等等。

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}

我们来从左到右解读一下：

• \d{3} 表示匹配3个数字，例如 '010'；
• \s+ 表示至少有一个空格，例如匹配 ' '，' ' 等；
• \d{3,8} 表示3-8个数字，例如 '1234567'。

综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。

如果要匹配 '010-12345' 这样的号码呢？由于 '-' 是特殊字符，在正则表达式中，要用 '\' 转义，所以，用于匹配的正则表达式应为 \d{3}\-\d{3,8}。

但是，上面的方法无法匹配 '010 - 12345'，我们需要更复杂的匹配方式。

---

进阶

要做更精确地匹配，可以用 [] 表示一个范围，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\_][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合法的变量；
• [a-zA-Z\_][0-9a-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 既可以匹配 'Python' 又可以匹配 '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。

有趣的是 py 也可以用来匹配 'python'，但是加上 ^py$ 就变成了整行匹配，只能匹配 'py' 了。

---

re模块

有了准备知识，我们就可以在Python中使用正则表达式了。Python提供了 re 模块，包含所有正则表达式的功能。注意，在正则表达式中，我们使用 \ 来表示转义，但在Python的字符串中，\ 同样是一个转义符。因此，使用时我们就要特别注意字符串中的 \ 是否能正确地起作用。比方说：

s = 'ABC\\-001'

这个字符串中，第一个 \ 用于为第二个 \ 转义，所以打印这个字符串实际上得到的是 'ABC-001'，这样用作正则表达式时，就能正确地转义 -。而：

s = 'ABC\-001'

这个字符串实际上是 'ABC-001'，由于 - 在正则表达式中是一个特殊字符，而这里我们希望的是它只作为用于匹配字符 - 的功能，所以这样得到的正则表达式就出错了。

因此在书写正则表达式时，推荐使用Python字符串的 r 前缀，这样就不用考虑字符转义的问题了：

s = r'ABC\-001'

r 前缀表示后面的字符串中无需转义字符。

接下来看看如何判断正则表达式是否与字符串匹配：

>>> 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')
>>>

re 模块的 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')

---

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']

嗯，无法识别连续的空格，用正则表达式试试：

>>> re.split(r'\s+', 'a b   c') # '\s+'表示至少匹配一个空白字符
['a', 'b', 'c']

无论多少个空格都可以正常分割。加入 , 试试：

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

再加入 ; 试试：

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

如果用户输入了一组标签，下次记得可以用正则表达式来把不规范的输入转化成正确的数组。

---

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; span=(0, 9), match='010-12345'>
>>> 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() 方法提取出某个子串。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。

提取子串非常有用。来看一个更凶残的例子：

>>> 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')

这个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，用正则还是识别不了，或者说写出来非常困难，这时就需要编写其他代码来配合识别了。

---

贪婪匹配

最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('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* 就只能匹配到空字符串了。

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，这时我们可以使用 ? 来让 \d+ 采用非贪婪匹配：

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

---

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，我们可以预编译正则表达式，接下来重复使用时就不需要编译这个步骤了，可以直接匹配：

>>> 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。

---

小结

正则表达式非常强大，要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容，可以写一本厚厚的书了。如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。

---

练习

习题一

请尝试写一个验证Email地址的正则表达式，可以验证类似以下格式的Email：

someone@gmail.com
bill.gates@microsoft.com

代码：

import re

re_email = re.compile(r'^[a-z.]+?@[a-z]+?.com$')

while True:
    test = input('\nPlease input your email address: ')
    if re_email.match(test):
        print('ok')
    else:
        print('failed')

---

习题二

继续上一题，但这次的Email地址带名字，要既能验证地址又能提取出名字：

<Tom Paris> tom@voyager.com
<Mary Liu> mary@microsoft.com

代码：

import re

re_email = re.compile(r'^<([A-Za-z\s]+?)\s([A-Za-z\s]+?)>\s([a-z.]+?@[a-z]+?.com)$')

while True:
    test = input('\nPlease input your email address: ')
    match = re_email.match(test)
    if match:
        print(match.group(1)+' '+match.group(2)+"'s email address is: "+match.group(3))
    else:
        print('failed')

---