[TOC] ### 引入 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 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，我们就认为它“匹配”了，否则，该字符串就是不合法的。 ### 表达式规则 所以我们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。 - 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，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。 ~~~ #### 匹配变长字符串 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： ### 解读栗子 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' '，' '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，上面的正则是`\d{3}\-\d{3,8}。` 但是，仍然无法匹配`'010 - 12345'`，因为带有空格。所以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`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$`就变成了整行匹配，就只能匹配`'py'`了。 ### `re`模块 有了准备知识，我们就可以在Python中使用正则表达式了。Python提供`re`模块，包含所有正则表达式的功能。由于Python的字符串本身也用`\`转义，所以要特别注意： ~~~ s = 'ABC\\-001' # Python的字符串 # 对应的正则表达式字符串变成： # 'ABC\-001' ~~~ 因此我们强烈建议使用Python的`r`前缀，就不用考虑转义的问题了： ~~~ s = r'ABC\-001' # Python的字符串 # 对应的正则表达式字符串不变： # 'ABC\-001' ~~~ 先看看如何判断正则表达式是否匹配： ~~~ >>> import re >>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345') <_sre.SRE_Match object; span=(0, 9), match='010-12345'> >>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345') >>> ~~~ `match()`方法判断是否匹配，如果匹配成功，返回一个`Match`对象，否则返回`None`。常见的判断方法就是： ~~~ test = '用户输入的字符串' if re.match(r'正则表达式', test): print('ok') else: print('failed') ~~~ ### 切分字符串 用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码： ~~~ >>> 'a b c'.split(' ') ['a', 'b', '', '', 'c'] ~~~ 嗯，无法识别连续的空格，用正则表达式试试： ~~~ >>> re.split(r'\s+', 'a b c') ['a', 'b', 'c'] ~~~ 无论多少个空格都可以正常分割。加入,试试： ~~~ >>> re.split(r'[\s\,]+', 'a,b, c d') ['a', 'b', 'c', 'd'] ~~~ 再加入;试试： ~~~ >>> re.split(r'[\s\,\;]+', 'a,b;; c d') ['a', 'b', 'c', 'd'] ~~~ 如果用户输入了一组标签，下次记得用正则表达式来把不规范的输入转化成正确的数组。 ### 分组 除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（`Group`）。比如： `^(\d{3})-(\d{3,8})$`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})$', '010-12345') >>> m <_sre.SRE_Match object; span=(0, 9), match='010-12345'> >>> m.group(0) '010-12345' >>> m.group(1) '010' >>> m.group(2) '12345' ~~~ 如果正则表达式中定义了组，就可以在`Match`对象上用`group()`方法提取出子串来。 注意到`group(0)`永远是原始字符串，`group(1)、group(2)……`表示第`1、2、……`个子串。 提取子串非常有用。来看一个更凶残的例子： ~~~ >>> t = '19:05:30' >>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', 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*)$', '102300').groups() ('1023', '00') ~~~ ### 编译 当我们在Python中使用正则表达式时，`re`模块内部会干两件事情： 编译正则表达式，如果正则表达式的字符串本身不合法，会报错； 用编译后的正则表达式去匹配字符串。 如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配： ~~~ >>> import re # 编译: >>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$') # 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。 ### 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 请尝试写一个验证`Emai`l地址的正则表达式。版本一应该可以验证出类似的`Email`： ~~~ someone@gmail.com bill.gates@microsoft.com ~~~ 版本二可以验证并提取出带名字的`Email`地址： `<Tom Paris> tom@voyager.org`