該筆記整理自Wesley Chun著，孫波翔、李斌、李晗譯，人民郵電出版社出版的《Python核心編程》第3版，還結(jié)合了《正則表達(dá)式30分鐘入門(mén)教程》，具體內(nèi)容有部分省略。

1 什么是正則表達(dá)式？

正則表達(dá)式（簡(jiǎn)稱為regex）是一些由字符和特殊符號(hào)組成的字符串，它們描述了模式的重復(fù)或者表述多個(gè)字符，于是正則表達(dá)式能按照某種模式匹配一系列有相似特征的字符串。換句話說(shuō)，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。

比如，你可以編寫(xiě)一個(gè)正則表達(dá)式，用來(lái)查找所有以0開(kāi)頭，后面跟著2-3個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是7或8位數(shù)字的字符串(像010-12345678或0376-7654321)。

比如，判斷一個(gè)字符串是否是合法的Email：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。

2 常見(jiàn)的符號(hào)及含義

2.1 常用元字符

• 'py.'可以匹配'pya'、'py2'、'py!'等。
• '00\d'可以匹配'003'，但無(wú)法匹配'00b'。
• '\d\d\d'可以匹配'010'。
• '\w\w\d'可以匹配'py2'。
• ^{表示行的開(kāi)頭，}\d表示必須以數(shù)字開(kāi)頭。
• $表示行的結(jié)束，\d$表示必須以數(shù)字結(jié)束。

2.2 常用限定符和懶惰限定符

分析：

\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(kāi)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。

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'a200'，'0_b'，'Pb2017'等。
• [a-zA-Z_][0-9a-zA-Z_]*可以匹配由字母或下劃線開(kāi)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'。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。

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：

>>> 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：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

2.3 常用的反義代碼

有時(shí)需要查找不屬于某個(gè)能簡(jiǎn)單定義的字符類的字符。比如想查找除了數(shù)字以外，其它任意字符都行的情況，這時(shí)需要用到反義：

2.4 常用的分組語(yǔ)法

• 比如 \b\w+(?=ing\b) ，匹配以ing結(jié)尾的單詞的前面部分（除了ing以外的部分），如查找I'm singing while you're dancing. 時(shí)，它會(huì)匹配sing和danc。
• 比如 (?<=\bre)\w+\b會(huì)匹配以re開(kāi)頭的單詞的后半部分（除了re以外的部分），例如在查找reading a book時(shí)，它匹配ading。

2.5 常用的處理選項(xiàng)

3 re模塊

當(dāng)嚴(yán)格討論與字符串中模式相關(guān)的正則表達(dá)式時(shí)，我們會(huì)用術(shù)語(yǔ)“匹配”（matching），指的是術(shù)語(yǔ)“模式匹配”（pattern-matching）。

在Python術(shù)語(yǔ)中，主要有兩種方法完成模式匹配：“搜索”（searching），即在字符串任意部分中搜索匹配的模式；而“匹配”（matching）是指判斷一個(gè)字符串能否從起始處全部或者部分地匹配某個(gè)模式。搜索通過(guò)search()函數(shù)或方法來(lái)實(shí)現(xiàn)，而匹配通過(guò)調(diào)用match()函數(shù)或方法實(shí)現(xiàn)。

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：

s = 'ABC\-001'，對(duì)應(yīng)的正則表達(dá)式字符串變成：'ABC-001'。

使用Python的r前綴，就不用考慮轉(zhuǎn)義的問(wèn)題了：

s = r'ABC-001'，對(duì)應(yīng)的正則表達(dá)式字符串不變：'ABC-001'。

寫(xiě)正則表達(dá)式的良好習(xí)慣是：

reg_pattern = r'^(這里面填上你想要的表達(dá)式)$'
以r'^開(kāi)始，以$'結(jié)尾。

3.1 compile編譯

在模式匹配發(fā)生之前，正則表達(dá)式模式必須編譯成正則表達(dá)式對(duì)象。由于正則表達(dá)式在執(zhí)行過(guò)程中將進(jìn)行多次比較操作，因此強(qiáng)烈建議使用預(yù)編譯。而且，既然正則表達(dá)式的編譯是必需的，那么使用預(yù)編譯來(lái)提升執(zhí)行性能無(wú)疑是明智之舉。re.compile()能夠提供此功能。

其實(shí)模塊函數(shù)會(huì)對(duì)已編譯的對(duì)象進(jìn)行緩存，所以不是所有使用相同正則表達(dá)式模式的search()和match()都需要編譯。即使這樣，你也節(jié)省了緩存查詢時(shí)間，并且不必
對(duì)于相同的字符串反復(fù)進(jìn)行函數(shù)調(diào)用。

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：

>>> import re
>>> re_telphone=re.compile(r'^(\d{3})-(\d{3,8})$')    # 編譯
>>> re_telphone.match('010-12345').groups()           # 使用
('010', '12345')

>>> re_telphone.match('010-3456').groups()
('010', '3456')

3.2 match()匹配字符串

先看看如何判斷正則表達(dá)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')
沒(méi)有任何輸出

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(jiàn)的判斷方法就是：

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')

當(dāng)處理正則表達(dá)式時(shí)，除了正則表達(dá)式對(duì)象之外，還有另一個(gè)對(duì)象類型：匹配對(duì)象。這些是成功調(diào)用match()或者search()返回的對(duì)象。匹配對(duì)象有兩個(gè)主要的方法：group()和groups()。

group()要么返回整個(gè)匹配對(duì)象，要么根據(jù)要求返回特定子組。groups()則僅返回一個(gè)包含唯一或者全部子組的元組。如果沒(méi)有子組的要求，那么當(dāng)group()仍然返回整個(gè)匹配時(shí)，groups()返回一個(gè)空元組。

>>> m = re.match('foo', 'foo')    # 模式匹配字符串
>>> if m is not None:             # 如果匹配成功，就輸出匹配內(nèi)容
...     m.group()
...
'foo'

>>> m = re.match('foo', 'bar')      # 模式并不能匹配字符串
>>> if m is not None: m.group()    
...
沒(méi)有任何輸出

>>> m = re.match('foo', 'food on the table')      # 匹配成功
>>> m.group()
'foo'

>>> re.match('foo', 'food on the table').group()
'foo'

3.3 search()搜索字符串

想要搜索的模式出現(xiàn)在一個(gè)字符串中間部分的概率，遠(yuǎn)大于出現(xiàn)在字符串起始部分的概率。這也就是search()派上用場(chǎng)的時(shí)候了。search()的工作方式與match()完全一致，不同之處在于search()會(huì)用它的字符串參數(shù)，在任意位置對(duì)給定正則表達(dá)式模式搜索第一次出現(xiàn)的匹配情況。如果搜索到成功的匹配，就會(huì)返回一個(gè)匹配對(duì)象；否則，返回None。

我們將再次舉例說(shuō)明match()和search()之間的差別。以匹配一個(gè)更長(zhǎng)的字符串為例，這次使用字符串“foo”去匹配“seafood”：

>>> m = re.match('foo', 'seafood')   # 匹配失敗
>>> if m is not None: m.group()
...
沒(méi)有任何輸出

可以看到，此處匹配失敗。match()試圖從字符串的起始部分開(kāi)始匹配模式；也就是說(shuō)，模式中的“f”將匹配到字符串的首字母“s”上，這樣的匹配肯定是失敗的。然而，字符串“foo”確實(shí)出現(xiàn)在“seafood”之中（某個(gè)位置），所以，我們?cè)撊绾巫孭ython 得出肯定的結(jié)果呢？答案是使用search()函數(shù)，而不是嘗試匹配。

search()函數(shù)不但會(huì)搜索模式在字符串中第一次出現(xiàn)的位置，而且嚴(yán)格地對(duì)字符串從左到右搜索。

>>> m = re.search('foo', 'seafood')     # 使用search()代替
>>> if m is not None: m.group()
...
'foo'                                   # 搜索成功，但是匹配失敗

3.4 split()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：

>>> 'a b  c'.split(' ')
['a', 'b', '', '', 'c']

無(wú)法識(shí)別連續(xù)的空格，用正則表達(dá)式試試：

>>> 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。

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

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

>>> re.split(':', 'str1:str2:str3')
[' str1', 'str2', 'str3']

例如，一個(gè)用于Web 站點(diǎn)（類似于Google 或者Yahoo! Maps）的簡(jiǎn)單解析器，該如何實(shí)現(xiàn)？用戶需要輸入城市和州名，或者城市名加上ZIP 編碼，還是三者同時(shí)輸入？這就需要比僅僅是普通字符串分割更強(qiáng)大的處理方式，具體如下。

>>> import re
>>> DATA = ( 'Mountain View, CA 94040',
                        'Sunnyvale, CA',
                        'Los Altos, 94023',
                        'Cupertino 95014',
                        'Palo Alto CA'
                     )
>>> for datum in DATA:
           print re.split(', |(?= (?:\d{5}|[A-Z]{2})) ', datum)
...
輸出結(jié)果為：
['Mountain View', 'CA', '94040']
['Sunnyvale', 'CA']
['Los Altos', '94023']
['Cupertino', '95014']
[' Palo Alto', 'CA']

3.5 分組group

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）。

group()通常用于以普通方式顯示所有的匹配部分，但也能用于獲取各個(gè)匹配的子組。可以使用groups()方法來(lái)獲取一個(gè)包含所有匹配子字符串的元組。

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：

>>> 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。

看一個(gè)例子：

>>> m = re.match('(\w\w\w)-(\d\d\d)', 'abc-123')
>>> m.group()                     # 完整匹配
'abc-123'
>>> m.group(1)                    # 子組1
'abc'
>>> m.group(2)                    # 子組2
'123'
>>> m.groups()                    # 全部子組
(' abc', '123')

>>> m = re.match('ab', 'ab')      # 沒(méi)有子組
>>> m.group()                     # 完整匹配
'ab'
>>> m.groups()                    # 所有子組
()

>>> m = re.match('(ab)', 'ab')    # 一個(gè)子組
>>> m.group()                     # 完整匹配
'ab'
>>> m.group(1)                    # 子組1
'ab'
>>> m.groups()                    # 全部子組
('ab',)

>>> m = re.match('(a)(b)', 'ab')  # 兩個(gè)子組
>>> m.group()                     # 完整匹配
'ab'
>>> m.group(1)                    # 子組1
'a'
>>> m.group(2)                    # 子組2
'b'
>>> m.groups()                    # 所有子組
('a', 'b')

>>> m = re.match('(a(b))', 'ab')  # 兩個(gè)子組
>>> m.group()                     # 完整匹配
'ab'
>>> m.group(1)                    # 子組1
'ab'
>>> m.group(2)                    # 子組2
'b'
>>> m.groups()                    # 所有子組
('ab', 'b')

>>> 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')
>>> m.group(0)
'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：

'^(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(xiě)出來(lái)非常困難，這時(shí)就需要程序配合識(shí)別了。

如果您發(fā)現(xiàn)文中有不清楚或者有問(wèn)題的地方，請(qǐng)?jiān)谙路皆u(píng)論區(qū)留言，我會(huì)根據(jù)您的評(píng)論，更新文中相關(guān)內(nèi)容，謝謝！