Python3学习笔记18——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’ #Python的字符串
#对应的正则表达式字符串变成：
#’ABC-001’

因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题：
s=r’ABC-001’ #Python的字符串
#对应的正则表达式字符串不变：
#‘ABC-001’

先看看如何判断正则表达式是否匹配：

import re
a=re.match(r'^\d{3}\-\d{3,8}$','010-12345')
b=re.match(r'^\d{3}\-\d{3,8}$','010 12345')
print(a)
print(b)

输出结果：
<re.Match object; span=(0, 9), match=‘010-12345’>
None

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：

import re
test=input('请输入用户名:')
if re.match(r'\d\\\w{3,8}',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串更灵活，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')
['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字串的强大功能。用（）表示的就是要提取的分组（Group）。比如：

>>> m=re.match(r'^(\d{3})-(\d{3,8})$','010-12345')
>>> m
<re.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（）方法提取出字串来。
注意到group（0）永远是原始字符串，group（1）、group（2）……表示第1、2、……个字串。
提取字串非常有用。来看一个更凶残的例子：

import re
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)
print(m.groups())
print(m.group(1))
print(m.group(2))
print(m.group(3))

输出结果：
(‘19’, ‘05’, ‘30’)
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，这时就需要程序配合识别了。

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*只能匹配空字符串了。

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，加个？就可以让\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
a=re_telephone.match('010-12345').groups()
b=re_telephone.match('010-0809').groups()
print(a)
print(b)

输出结果：
(‘010’, ‘12345’)
(‘010’, ‘0809’)

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。如果你经验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。