本文介绍了Python3中的正则表达式基础知识，包括初级概念如d和w，进阶特性如切分字符串、分组和贪婪匹配，以及如何使用re模块进行匹配和切分操作。通过实例详细解析了正则表达式在电话号码和时间格式验证中的应用，强调了分组在提取子串中的作用，并讲解了贪婪匹配的概念。文章还提及了编译正则表达式以提高效率的方法。
Python3学习笔记之-正则表达式（第一篇）
目录
前言
正则表达式在python里面是用于爬虫不可或缺的武器，它的设计思想是用一种描述性的语言给字符串定义一个规则，只要符合规则，我们就认为它匹配了，否则该字符串就不合法。
一、初级
在正则表达式中，如果给出字符，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：
看一个复杂的例子：
\d{3}\s+\d{3,8}
我们来解读一下：
1、\d{3}表示匹配三个数字，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；
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：152 12345678；
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。
二、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$就变成了整行匹配，就只能匹配'py'了。
三、re模块
有了准备知识，我们就可以在Python中使用正则表达式了。Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：
建议使用Python的r前缀，就不用考虑转义的问题了：
s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'
先看看如何判断正则表达式是否匹配：
import re
re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
# <_sre.SRE_Match object; span=(0, 9), match='010-12345'>
re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。常见的判断方法就是：
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
print('ok')
else:
print('failed')四、切分字符串
用正则表达式切分字符串比固定的字符更灵活，请看正常的切分代码：
'a b c'.split(' ')
['a', 'b', '', '', 'c']无法识别连续的空格，再试试正则表达式：
re.split(r'\s+', 'a b c')
['a', 'b', 'c']
#加入，试试
re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']
#加入；试试
re.split(r'[\s\,\;]+', 'a,b; ; c d')
['a','b','c','d']这在实际开发中可用于，把用户输入的不规范的内容转化成规范的内容。
五、分组
除了简单的判断是否匹配之外，正则表达式还有提取子串的强大功能，用()表示的就是要提取的分组(Group），比如：
^(\d{3})-(\d{3,8})$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])$'
对于'2-30'，'4-31'这样的非法日期，用正则还是识别不了，或者说写出来非常困难，这时就需要程序配合识别了。
六、贪婪匹配
最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：
re.match(r'^(\d+)(0*)$', '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*)$', '102300').groups()
#('1023', '00')七、编译
当我们在Python中使用正则表达式时，re模块内部会干两件事情：
-
编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
-
用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：
import re
# 编译:
re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 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。
正则表达式非常强大，这短短的一片只能讲一个皮毛，以后的工作中大家用到就继续学习。
扫一扫
834
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
