06.正则表达式基本知识
目錄
- 六、正則表達式基本知識
- 6.1 字符匹配和字符長度匹配
- 6.2 進階
- 6.3 re模塊
- 6.4 切分字符串
- 6.5 分組
- 6.6 貪婪分組
- 6.7 編譯（讓匹配更加高效）
- 6.8 小結(jié)
- 6.9 正則表達式字符（僅僅用于查詢）
六、正則表達式基本知識
字符串是編程時涉及到的最多的一種數(shù)據(jù)結(jié)構(gòu)，對字符串進行操作的需求幾乎無處不在。比如判斷一個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。
正則表達式是一種用來匹配字符串的強有力的武器。它的設(shè)計思想是用一種描述性的語言來給字符串定義一個規(guī)則，凡是符合規(guī)則的字符串，我們就認為它“匹配”了，否則，該字符串就是不合法的。
所以我們判斷一個字符串是否是合法的Email的方法是：
6.1 字符匹配和字符長度匹配
因為正則表達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描述字符。
在正則表達式中，如果直接給出字符，就是精確匹配。用\d可以匹配一個數(shù)字，\w可以匹配一個字母或數(shù)字，所以:
- 00\d'可以匹配'007'，但無法匹配'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。
要匹配變長的字符，在正則表達式中，用*表示任意個字符（包括0個），用+表示至少一個字符，用?表示0個或1個字符，用{n}表示n個字符，用{n,m}表示n-m個字符：
來看一個復(fù)雜的例子：\d{3}\s+\d{3,8}。
我們來從左到右解讀一下：
\d{3}表示匹配3個數(shù)字，例如'010'；
\s可以匹配一個空格（也包括Tab等空白符），所以\s+表示至少有一個空格，例如匹配' '，' '等；
\d{3,8}表示3-8個數(shù)字，例如'1234567'。
綜合起來，上面的正則表達式可以匹配以任意個空格隔開的帶區(qū)號的電話號碼。
如果要匹配'010-12345'這樣的號碼呢？由于'-'是特殊字符，在正則表達式中，要用'\'轉(zhuǎn)義，所以，上面的正則是\d{3}\-\d{3,8}。
但是，仍然無法匹配'010 - 12345'，因為帶有空格。所以我們需要更復(fù)雜的匹配方式。\d{3}\s+\-\s+\d{3,8}
6.2 進階
要做更精確地匹配，可以用[]表示范圍，比如：
[0-9a-zA-Z\_]可以匹配一個數(shù)字、字母（大小寫）或者下劃線；
[0-9a-zA-Z\_]+可以匹配至少由一個數(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，后接任意個由一個數(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度是1-20個字符（前面1個字符+后面最多19個字符）。
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$就變成了整行匹配，就只能匹配'py'了。
6.3 re模塊
有了準備知識，我們就可以在Python中使用正則表達式了。Python提供re模塊，包含所有正則表達式的功能。由于Python的字符串本身也用\轉(zhuǎn)義，所以要特別注意：
s = 'ABC\\-001' # Python的字符串 # 對應(yīng)的正則表達式字符串變成： # 'ABC\-001'因此我們強烈建議使用Python的r前綴，就不用考慮轉(zhuǎn)義的問題了：
s = r'ABC\-001' # Python的字符串 # 對應(yīng)的正則表達式字符串不變： # 'ABC\-001'先看看如何判斷正則表達式是否匹配：
>>> import re >>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345') <_sre.SRE_Match object at 0x1026e18b8> >>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345') >>>match()方法判斷是否匹配，如果匹配成功，返回一個Match對象，否則返回None。常見的判斷方法就是：
test = '用戶輸入的字符串' if re.match(r'正則表達式', test):print 'ok' else:print 'failed'6.4 切分字符串
用正則表達式切分字符串比用固定的字符更靈活，請看正常的切分代碼：
>>> 'a b c'.split(' ') ['a', 'b', '', '', 'c']嗯，無法識別連續(xù)的空格，用正則表達式試試：(很實用)
>>> re.split(r'\s+', 'a b c') ['a', 'b', 'c']無論多少個空格都可以正常分割。加入,試試：
>>> re.split(r'[\s\,]+', 'a,b, c d') ['a', 'b', 'c', 'd']再加入;試試：很牛，哈哈哈，以后會常用，要記住
>>> re.split(r'[\s\,\;]+', 'a,b;; c d') ['a', 'b', 'c', 'd']6.5 分組
分組也是相當(dāng)重要，記住了
除了簡單地判斷是否匹配之外，正則表達式還有提取子串的強大功能。用()表示的就是要提取的分組（Group）。比如：
^(\d{3})-(\d{3,8})$分別定義了兩個組，可以直接從匹配的字符串中提取出區(qū)號和本地號碼：
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345') >>> m <_sre.SRE_Match object at 0x1026fb3e8> >>> m.group(0) '010-12345' >>> m.group(1) '010' >>> m.group(2) '12345'如果正則表達式中定義了組，就可以在Match對象上用group()方法提取出子串來。
注意到group(0)永遠是原始字符串， group(1)、 group(2) …… 表示第1、2、……個子串。
提取子串非常有用。來看一個更兇殘的例子：
>>> t = '19:05:30' >>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t) >>> m.groups() ('19', '05', '30')這個正則表達式可以直接識別合法的時間。但是有些時候，用正則表達式也無法做到完全驗證，比如識別日期：
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'對于'2-30'，'4-31'這樣的非法日期，用正則還是識別不了，或者說寫出來非常困難，這時就需要程序配合識別了。
6.6 貪婪分組
最后需要特別指出的是，正則匹配默認是貪婪匹配，也就是匹配盡可能多的字符。舉例如下，匹配出數(shù)字后面的0：
>>> re.match(r'^(\d+)(0*)$', '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，加個?就可以讓\d+采用非貪婪匹配：
6.7 編譯（讓匹配更加高效）
當(dāng)我們在Python中使用正則表達式時，re模塊內(nèi)部會干兩件事情：
編譯正則表達式，如果正則表達式的字符串本身不合法，會報錯；
用編譯后的正則表達式去匹配字符串。
如果一個正則表達式要重復(fù)使用幾千次，出于效率的考慮，我們可以預(yù)編譯該正則表達式，接下來重復(fù)使用時就不需要編譯這個步驟了，直接匹配：
>>> import re # 編譯: >>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$') # 使用： >>> re_telephone.match('010-12345').groups() ('010', '12345') >>> re_telephone.match('010-8086').groups() ('010', '8086')編譯后生成Regular Expression對象，由于該對象自己包含了正則表達式，所以調(diào)用對象的方法時不用給出正則字符串。
6.8 小結(jié)
正則表達式非常強大，要在短短的一節(jié)里講完是不可能的。要講清楚正則的所有內(nèi)容，可以寫一本厚厚的書了。如果你經(jīng)常遇到正則表達式的問題，你可能需要一本正則表達式的參考書。
請嘗試寫一個驗證Email地址的正則表達式。版本一應(yīng)該可以驗證出類似的Email：
someone@gmail.com bill.gates@microsoft.com版本二可以驗證并提取出帶名字的Email地址：
<Tom Paris> tom@voyager.org版本一
#-*- coding:utf-8 -*- import rere_compile = re.compile(r'^\w+\@\w+\.\w+$')#re_compile = re.compile(r'^(\w+)@(\w+)(\.\[a-z]{3})$') #出錯，一個括號代表一個分組，錯誤不在@#re_compile = re.compile(r'^(\w+)@(\w+)(\.)(\[a-z]{3})$') #出錯，錯誤在第四個分組，[a-z]前不應(yīng)該加轉(zhuǎn)義符號\ re_compile2 = re.compile(r'^(\w+)@(\w+).([a-z]{3})$') re_compile3 = re.compile(r'^(\w+)@([a-z]{2,10}).([a-z]{3})$') re_compile4 = re.compile(r'^(\w+)@([a-z]{2,10}).([a-z]{3})$') re_compile5 = re.compile(r'^(\w+)@([a-zA-Z]{2,10}).([a-zA-Z]{3})$') #忽略大小寫的匹配，注意要將a-z和A-Z放到一個中括號里面 re_compile6 = re.compile(r'^(\w*\.*\w+)@([a-zA-Z]{2,10}).([a-zA-Z]{3})$') #這個能匹配bill.gates@microsoft.com，但是不能匹配someone@gmail.com re_compile7 = re.compile(r'^(\w*\.*\w+)@([a-zA-Z]{2,10}).([a-zA-Z]{3})$') #這個功能很強大，兩個郵件都可以匹配 re_compile8 = re.compile(r'^(\w*\.*\w+)@([a-zA-Z]{2,10}).(\com)$') #只能匹配尾綴為com的郵件email = 'someone@gmail.com' email1 = 'bill.gates@microsoft.com' #考驗如何將'bill.gates'放入到一個分組中m = re_compile.match(email) m1 = re_compile8.match(email1) m.group(0) #用于檢測是否匹配成功 m.group(0)版本二：
import reit = '<Tom Paris> tom@voyager.org' item = re.spilt(r'[\>\s]') re_compile = re.compile()6.9 正則表達式字符（僅僅用于查詢）
構(gòu)造正則表達式的方法和創(chuàng)建數(shù)學(xué)表達式的方法一樣。也就是用多種元字符與運算符可以將小的表達式結(jié)合在一起來創(chuàng)建更大的表達式。正則表達式的組件可以是單個的字符、字符集合、字符范圍、字符間的選擇或者所有這些組件的任意組合。
正則表達式是由普通字符（例如字符 a 到 z）以及特殊字符（稱為"元字符"）組成的文字模式。模式描述在搜索文本時要匹配的一個或多個字符串。正則表達式作為一個模板，將某個字符模式與所搜索的字符串進行匹配。
6.9.1 普通字符
普通字符包括沒有顯式指定為元字符的所有可打印和不可打印字符。這包括所有大寫和小寫字母、所有數(shù)字、所有標點符號和一些其他符號。
非打印字符
非打印字符也可以是正則表達式的組成部分。下表列出了表示非打印字符的轉(zhuǎn)義序列：
| \cx | 匹配由x指明的控制字符。例如， \cM 匹配一個 Control-M 或回車符。x 的值必須為 A-Z 或 a-z 之一。否則，將 c 視為一個原義的 'c' 字符。 |
| \f | 匹配一個換頁符。等價于 \x0c 和 \cL。 |
| \n | 匹配一個換行符。等價于 \x0a 和 \cJ。 |
| \r | 匹配一個回車符。等價于 \x0d 和 \cM。 |
| \s | 匹配任何空白字符，包括空格、制表符、換頁符等等。等價于 [ \f\n\r\t\v]。 |
| \S | 匹配任何非空白字符。等價于 [^ \f\n\r\t\v]。 |
| \t | 匹配一個制表符。等價于 \x09 和 \cI。 |
| \v | 匹配一個垂直制表符。等價于 \x0b 和 \cK。 |
6.9.2 特殊字符
所謂特殊字符，就是一些有特殊含義的字符，如上面說的 runoob 中的 ，簡單的說就是表示任何字符串的意思。如果要查找字符串中的 * 符號，則需要對 * 進行轉(zhuǎn)義，即在其前加一個 : runo*ob 匹配 runo*ob。
許多元字符要求在試圖匹配它們時特別對待。若要匹配這些特殊字符，必須首先使字符"轉(zhuǎn)義"，即，將反斜杠字符?放在它們前面。
- 下表列出了正則表達式中的特殊字符：
| $ | 匹配輸入字符串的結(jié)尾位置。如果設(shè)置了 RegExp 對象的 Multiline 屬性，則 $ 也匹配 '\n' 或 '\r'。要匹配 $ 字符本身，請使用 $。 |
| ( ) | 標記一個子表達式的開始和結(jié)束位置。子表達式可以獲取供以后使用。要匹配這些字符，請使用 ( 和 )。 |
| * | 匹配前面的子表達式零次或多次。要匹配 * 字符，請使用 *。 |
| + | 匹配前面的子表達式一次或多次。要匹配 + 字符，請使用 +。 |
| . | 匹配除換行符 \n 之外的任何單字符。要匹配 . ，請使用 . 。 |
| [ | 標記一個中括號表達式的開始。要匹配 [，請使用 [。 |
| ? | 匹配前面的子表達式零次或一次，或指明一個非貪婪限定符。要匹配 ? 字符，請使用 ?。 |
| \ | 將下一個字符標記為或特殊字符、或原義字符、或向后引用、或八進制轉(zhuǎn)義符。例如， 'n' 匹配字符 'n'。'\n' 匹配換行符。序列 '\' 匹配 ""，而 '(' 則匹配 "("。 |
| ^ | 匹配輸入字符串的開始位置，除非在方括號表達式中使用，此時它表示不接受該字符集合。要匹配 ^ 字符本身，請使用 ^。 |
| { | 標記限定符表達式的開始。要匹配 {，請使用 {。 |
| 豎號 | 指明兩項之間的一個選擇。要匹配 豎號，請使用 \豎號。 |
]
- 上面豎號指代的是 '|'
限定符
限定符用來指定正則表達式的一個給定組件必須要出現(xiàn)多少次才能滿足匹配。有 * 或 + 或 ? 或 {n} 或 {n,} 或 {n,m} 共6種。
- 正則表達式的限定符有：
| * | 匹配前面的子表達式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等價于{0,}。 |
| + | 匹配前面的子表達式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等價于 {1,}。 |
| ? | 匹配前面的子表達式零次或一次。例如，"do(es)?" 可以匹配 "do" 、 "does" 中的 "does" 、 "doxy" 中的 "do" 。? 等價于 {0,1}。 |
| {n} | n 是一個非負整數(shù)。匹配確定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的兩個 o。 |
| {n,} | n 是一個非負整數(shù)。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}' 等價于 'o+'。'o{0,}' 則等價于 'o*'。 |
| {n,m} | m 和 n 均為非負整數(shù)，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，"o{1,3}" 將匹配 "fooooood" 中的前三個 o。'o{0,1}' 等價于 'o?'。請注意在逗號和兩個數(shù)之間不能有空格。 |
定位符
定位符使您能夠?qū)⒄齽t表達式固定到行首或行尾。它們還使您能夠創(chuàng)建這樣的正則表達式，這些正則表達式出現(xiàn)在一個單詞內(nèi)、在一個單詞的開頭或者一個單詞的結(jié)尾。
定位符用來描述字符串或單詞的邊界，^ 和 $ 分別指字符串的開始與結(jié)束，\b 描述單詞的前或后邊界，\B 表示非單詞邊界。
- 正則表達式的定位符有：
| ^ | 匹配輸入字符串開始的位置。如果設(shè)置了 RegExp 對象的 Multiline 屬性，^ 還會與 \n 或 \r 之后的位置匹配。 |
| $ | 匹配輸入字符串結(jié)尾的位置。如果設(shè)置了 RegExp 對象的 Multiline 屬性，$ 還會與 \n 或 \r 之前的位置匹配。 |
| \b | 匹配一個字邊界，即字與空格間的位置。 |
| \B | 非字邊界匹配。 |
轉(zhuǎn)載于:https://www.cnblogs.com/hugechuanqi/p/9609832.html
總結(jié)
以上是生活随笔為你收集整理的06.正则表达式基本知识的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： mysql的学习笔记(四)
- 下一篇： 前端监控和前端埋点方案设计--摘抄