正则表达式以及python的re模块介绍

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。

• 基础

  \d 可以匹配一个数字
  \w 可以匹配一个字母或数字
  \s 匹配任意的空白字符。所谓空白字符，包括空格、tab键（制表符）、回车符、换行符等等。
  . 可以匹配匹配任意单个字符
  * 表示任意个字符（0个或多个）
  + 表示至少一个字符
  ? 表示0个或1个字符
  {n}表示n个字符
  {n,m}表示n~m个字符
  1
  2
  3
  4
  5
  6
  7
  8
  9

  例子：

  '00\d'可以匹配'007'
  '\w\w\d'可以匹配'py3'
  'py.'可以匹配'pyc'、'pyo'、'py!'
  
  \d{3}\s+\d{3,8} ：\d{3}表示匹配3个数字，\s可以匹配一个空格，所以\s+表示至少有一个空格
  1
  2
  3
  4
  5

  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，正则是

  \d{3}\-\d{3,8}
  1

  正则表达式内部：如果有特殊字符也是需要手动转义的

  • 进阶

    要做更精确地匹配，可以用[]表示范围,[]内是所有可选项

    a-b :表示从a~b的所有字符 
    [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'
    [a-zA-Z][0-9a-zA-Z\_]可以匹配由字母开头，后接任意个由一个数字、字母或者下划线组成的字符串
    [a-zA-Z][0-9a-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  表示：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$表示必须以数字结束。
    ^py$ 表示结果只能是py
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10

字符转义的理解

在任意编程语言中，定义的一个用户的一个字符串，在被加载的时候不是不变的，比如s = “\n"会被解析成为一个换号，但是当我们需要输出”\n"时，我们要这样写s = "\\n",也就是在前面再加一个"\",表示后面的这个斜杠是一个普通斜杠，表示它不用被转义。简单点说，一个字符串默认有可能会被解析成一个特殊的含义（换行），但是我们不想要这样，所以需要自己去转义这个特殊字符，使得得到我们想要的结果。一般情况下，都是使用\来转义字符。

也就是说，转义特殊字符需要手动在前面加\，python中很方便

• 正则表达式

  在写正则表达式时，对于一些特殊字符的匹配也是需要转义的。比如想要匹配一些特殊的字符，比如-，-在正则表达式中就是个特殊字符，用来表示一个范围，如果要匹配"1-1"这样的情况，正则表达式是"\d\-\d"，而不是"\d-\d"

• python

  在python中可以直接使用re.match函数去匹配正则表达式

  但是，py中定义了一个字符串，很有可能被python给转义成其他东西了，所以需要转义，py有两种方法

  • 方法1：使用只读参数r，强制不转义

    s = r'ABC\-001'
    1

  • 方法2：re.escape

    转义特殊字符需要手动在前面加\，python中有现成的api，可以将给定字符串中的所有特殊字符前面都加上\，也就是re.escape()函数

    pattern1 = re.escape("a*b") # 相当于pattern1 = a\*b
    pattern2 = "a\*b" # pattern2和pattern1一样
    1
    2

• 例子

  import re
  
  # 想要匹配的表达式是'a\-'，但是py把斜杠转义了，导致pattern从'a\\-'变成了'a\-',导致匹配到'a-'也成功了
  pattern = 'a\\-'
  input = 'a-'
  res = re.match(pattern, input)  # 匹配成功
  print(res)
  
  # 正确写法
  pattern = r'a\\-'  # 只读，不解析
  input = 'a\-'
  res = re.match(pattern, input)  # 成功
  print(res)
  
  pattern = re.escape('a\\-')  # 调用api自动加\
  input = 'a\-'
  res = re.match(pattern, input)  # 成功
  print(res)
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18

re.match函数

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

例子

import re

pattern = r".a."
url = "Aa9"

if re.match(pattern, url):
    print("匹配成功！") 
else:
    print("匹配失败！")
# 输出： 匹配成功
1
2
3
4
5
6
7
8
9
10

匹配邮箱

# 匹配邮箱
pattern = r'^[a-zA-Z0-9\.]+@[a-zA-Z0-9\.]+\.com$'
pattern = r'^[\w\.]+@[\w\.]+\.com$' # 简写

print(re.match(pattern,'someone@gmail.com'))
print(re.match(pattern,'bill.gates@microsoft.com'))
1
2
3
4
5
6

• 扩展

  可以提取出带名字的Email地址：

  tom@voyager.org => Tom Paris

  bob@example.com => bob

  import re
  
  def name_of_email(addr):
      re_name_of_email = re.compile(r'?\s?([0-9a-zA-Z]+)*@[0-9a-zA-Z]+.org')
      m = re_name_of_email.match(addr)
      print(m.groups())
      if m.group(1):
          return m.group(1).strip()
      else:
          return m.group(2)
  
  # 测试:
  assert name_of_email(' tom@voyager.org') == 'Tom Paris'
  assert name_of_email('tom@voyager.org') == 'tom'print('ok')
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14

re.escape函数

reference:https://www.python100.com/html/79913.html

在Python的正则表达式(re)模块中，re.escape函数是一个非常有用的工具，它用于将一个字符串中的特殊字符转义成正则表达式中的普通字符。在使用正则表达式进行字符串的匹配时，如果字符串中包含了正则表达式的特殊字符，那么就需要使用re.escape函数来对这些特殊字符进行转义，让它们变成普通字符，以保证匹配的准确性。

简单点说，re.escape函数就是将字符串中的所有特殊字符前面全部加上\

语法如下

re.escape(string)
1

其中，string是需要进行转义的字符串参数。

例子：

import re

pattern1 = re.escape("a*b") # 结果是pattern1 = a\*b
pattern2 = "a\*b" # pattern2和pattern1一样
str = "a*b"

if re.match(pattern1, str) and re.match(pattern2, str):
    print("两种方式都可以匹配！")
else:
    print("匹配失败！")
1
2
3
4
5
6
7
8
9
10

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']
1
2

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']
1
2

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']
1
2

再加入;试试：

>>> re.split(r'[\s\,\;]+', 'a,b;; c  d')
['a', 'b', 'c', 'd']
1
2

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'
1
2
3
4
5
6
7
8
9

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)永远是与整个正则表达式相匹配的字符串，group(1)、group(2)……表示第1、2、……个子串。

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', '')
1
2

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')
1
2

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')
1
2
3
4
5
6
7
8

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。