正则表达式介绍

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。

在正则表达式中，如果直接给出字符，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：

• ‘00d‘可以匹配‘007‘，但无法匹配‘00A‘；

• ‘ddd‘可以匹配‘010‘；

• ‘wwd‘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：

来看一个复杂的例子：d{3}s+d{3,8}。

我们来从左到右解读一下：

1. d{3}表示匹配3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，例如匹配‘ ‘，‘ ‘等；

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。

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。

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。

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：

s = ‘ABC-001‘ # Python的字符串 # 对应的正则表达式字符串变成： # ‘ABC-001‘ 

因此我们强烈建议使用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 at 0x1026e18b8> >>> re.match(r‘^d{3}-d{3,‘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‘ 

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‘] 

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‘,‘c‘] 

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‘,‘c‘,‘d‘] 

再加入;试试：

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

如果用户输入了一组标签，下次记得用正则表达式来把不规范的输入转化成正确的数组。

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 at 0x1026fb3e8> >>> 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。

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‘) 

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‘) 

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。

小结

正则表达式非常强大，要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容，可以写一本厚厚的书了。如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。

请尝试写一个验证Email地址的正则表达式。版本一应该可以验证出类似的Email：

someone@gmail.com bill.gates@microsoft.com 

版本二可以验证并提取出带名字的Email地址：

<Tom Paris> [email?protected]