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：
- 創(chuàng)建一個(gè)匹配Email的正則表達(dá)式；
- 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'pyc'、'pyo'、'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：
- \d{3}表示匹配3個(gè)數(shù)字，例如'010'；
- \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；
- \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。
進(jìn)階
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'。
^表示行的開頭，^\d表示必須以數(shù)字開頭。
$表示行的結(jié)束，\d$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$就變成了整行匹配，就只能匹配'py'了。
re模塊
有了準(zhǔn)備知識(shí)，我們就可以在Python中使用正則表達(dá)式了。Python提供re模塊，包含所有正則表達(dá)式的功能。由于Python的字符串本身也用\轉(zhuǎn)義，所以要特別注意：
|
1
2
3
|
s = 'ABC\\-001' # Python的字符串# 對(duì)應(yīng)的正則表達(dá)式字符串變成：# 'ABC\-001' |
因此我們強(qiáng)烈建議使用Python的r前綴，就不用考慮轉(zhuǎn)義的問(wèn)題了：
|
1
2
3
|
s = r'ABC\-001' # Python的字符串# 對(duì)應(yīng)的正則表達(dá)式字符串不變：# 'ABC\-001' |
先看看如何判斷正則表達(dá)式是否匹配：
|
1
2
3
4
5
|
>>> import re>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')<_sre.SRE_Match object at 0x1026e18b8>>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')>>> |
match()方法判斷是否匹配，如果匹配成功，返回一個(gè)Match對(duì)象，否則返回None。常見的判斷方法就是：
|
1
2
3
4
5
|
test = '用戶輸入的字符串'if re.match(r'正則表達(dá)式', test): print 'ok'else: print 'failed' |
切分字符串
用正則表達(dá)式切分字符串比用固定的字符更靈活，請(qǐng)看正常的切分代碼：
|
1
2
|
>>> 'a b c'.split(' ')['a', 'b', '', '', 'c'] |
嗯，無(wú)法識(shí)別連續(xù)的空格，用正則表達(dá)式試試：
|
1
2
|
>>> re.split(r'\s+', 'a b c')['a', 'b', 'c'] |
無(wú)論多少個(gè)空格都可以正常分割。加入,試試：
|
1
2
|
>>> re.split(r'[\s\,]+', 'a,b, c d')['a', 'b', 'c', 'd'] |
再加入;試試：
|
1
2
|
>>> re.split(r'[\s\,\;]+', 'a,b;; c d')['a', 'b', 'c', 'd'] |
如果用戶輸入了一組標(biāo)簽，下次記得用正則表達(dá)式來(lái)把不規(guī)范的輸入轉(zhuǎn)化成正確的數(shù)組。
分組
除了簡(jiǎn)單地判斷是否匹配之外，正則表達(dá)式還有提取子串的強(qiáng)大功能。用()表示的就是要提取的分組（Group）。比如：
^(\d{3})-(\d{3,8})$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：
|
1
2
3
4
5
6
7
8
9
|
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')>>> m<_sre.SRE_Match object at 0x1026fb3e8>>>> m.group(0)'010-12345'>>> m.group(1)'010'>>> m.group(2)'12345' |
如果正則表達(dá)式中定義了組，就可以在Match對(duì)象上用group()方法提取出子串來(lái)。
注意到group(0)永遠(yuǎn)是原始字符串，group(1)、group(2)……表示第1、2、……個(gè)子串。
提取子串非常有用。來(lái)看一個(gè)更兇殘的例子：
|
1
2
3
4
|
>>> t = '19:05:30'>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', 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：
|
1
|
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$' |
對(duì)于'2-30'，'4-31'這樣的非法日期，用正則還是識(shí)別不了，或者說(shuō)寫出來(lái)非常困難，這時(shí)就需要程序配合識(shí)別了。
貪婪匹配
最后需要特別指出的是，正則匹配默認(rèn)是貪婪匹配，也就是匹配盡可能多的字符。舉例如下，匹配出數(shù)字后面的0：
|
1
2
|
>>> re.match(r'^(\d+)(0*)$', '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：
|
1
2
|
>>> re.match(r'^(\d+?)(0*)$', '102300').groups()('1023', '00') |
編譯
當(dāng)我們?cè)赑ython中使用正則表達(dá)式時(shí)，re模塊內(nèi)部會(huì)干兩件事情：
- 編譯正則表達(dá)式，如果正則表達(dá)式的字符串本身不合法，會(huì)報(bào)錯(cuò)；
- 用編譯后的正則表達(dá)式去匹配字符串。
如果一個(gè)正則表達(dá)式要重復(fù)使用幾千次，出于效率的考慮，我們可以預(yù)編譯該正則表達(dá)式，接下來(lái)重復(fù)使用時(shí)就不需要編譯這個(gè)步驟了，直接匹配：
|
1
2
3
4
5
6
7
8
|
>>> import re# 編譯:>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')# 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，可以寫一本厚厚的書了。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。
請(qǐng)嘗試寫一個(gè)驗(yàn)證Email地址的正則表達(dá)式。版本一應(yīng)該可以驗(yàn)證出類似的Email：
|
1
2
3
|
版本二可以驗(yàn)證并提取出帶名字的Email地址：
|
1
|
<Tom Paris> [email protected] |
