# 正则表达式 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。 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，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： 1. `\d{3}`表示匹配3个数字，例如`'010'`； 2. `\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； 3. `\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 at 0x1026e18b8> >>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345') >>> ``` `match()`方法判断是否匹配，如果匹配成功，返回一个`Match`对象，否则返回`None`。常见的判断方法就是： ``` test = '用户输入的字符串' if re.match(r'正则表达式', test): print 'ok' else: print 'failed' ``` ### 切分字符串 用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码： ``` >>> 'a b c'.split(' ') ['a', 'b', '', '', 'c'] ``` 嗯，无法识别连续的空格，用正则表达式试试： ``` >>> re.split(r'\s+', 'a b c') ['a', 'b', 'c'] ``` 无论多少个空格都可以正常分割。加入`,`试试： ``` >>> re.split(r'[\s\,]+', 'a,b, c d') ['a', 'b', 'c', 'd'] ``` 再加入`;`试试： ``` >>> re.split(r'[\s\,\;]+', 'a,b;; c d') ['a', 'b', 'c', 'd'] ``` 如果用户输入了一组标签，下次记得用正则表达式来把不规范的输入转化成正确的数组。 ### 分组 除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用`()`表示的就是要提取的分组（Group）。比如： `^(\d{3})-(\d{3,8})$`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})$', '010-12345') >>> m <_sre.SRE_Match object at 0x1026fb3e8> >>> m.group(0) '010-12345' >>> m.group(1) '010' >>> m.group(2) '12345' ``` 如果正则表达式中定义了组，就可以在`Match`对象上用`group()`方法提取出子串来。 注意到`group(0)`永远是原始字符串，`group(1)`、`group(2)`……表示第1、2、……个子串。 提取子串非常有用。来看一个更凶残的例子： ``` >>> t = '19:05:30' >>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', 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*)$', '102300').groups() ('1023', '00') ``` ### 编译 当我们在Python中使用正则表达式时，re模块内部会干两件事情： 1. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错； 2. 用编译后的正则表达式去匹配字符串。 如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配： ``` >>> import re # 编译: >>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$') # 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。 ### 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。 请尝试写一个验证Email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 ```