正則錶達式舉例

所念皆山海 2021-08-16 02:01:56 阅读数:519

本文一共[544]字,预计阅读时长:1分钟~

字符串是編程時涉及到的最多的一種數據結構,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@前後的子串,再分別判斷是否是單詞和域名,但這樣做不但麻煩,而且代碼難以複用。

正則錶達式是一種用來匹配字符串的强有力的武器。它的設計思想是用一種描述性的語言來給字符串定義一個規則,凡是符合規則的字符串,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:

  1. 創建一個匹配Email的正則錶達式;

  2. 用該正則錶達式去匹配用戶的輸入來判斷是否合法。

因為正則錶達式也是用字符串錶示的,所以,我們要首先了解如何用字符來描述字符。

在正則錶達式中,如果直接給出字符,就是精確匹配。用\d可以匹配一個數字,\w可以匹配一個字母或數字,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,在正則錶達式中,用*錶示任意個字符(包括0個),用+錶示至少一個字符,用?錶示0個或1個字符,用{n}錶示n個字符,用{n,m}錶示n-m個字符:

來看一個複雜的例子:\d{3}\s+\d{3,8}。

我們來從左到右解讀一下:

  1. \d{3}錶示匹配3個數字,例如'010';

  2. \s可以匹配一個空格(也包括Tab等空白符),所以\s+錶示至少有一個空格,例如匹配' ',' '等;

  3. \d{3,8}錶示3-8個數字,例如'1234567'。

綜合起來,上面的正則錶達式可以匹配以任意個空格隔開的帶區號的電話號碼。

如果要匹配'010-12345'這樣的號碼呢?由於'-'是特殊字符,在正則錶達式中,要用'\'轉義,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。所以我們需要更複雜的匹配方式。

進階

要做更精確地匹配,可以用[]錶示範圍,比如:

  • [0-9a-zA-Z\_]可以匹配一個數字、字母或者下劃線;

  • [0-9a-zA-Z\_]+可以匹配至少由一個數字、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,後接任意個由一個數字、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+後面最多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'。

^錶示行的開頭,^\d錶示必須以數字開頭。

$錶示行的結束,\d$錶示必須以數字結束。

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。

re模塊

有了准備知識,我們就可以在Python中使用正則錶達式了。Python提供re模塊,包含所有正則錶達式的功能。由於Python的字符串本身也用\轉義,所以要特別注意:

s = 'ABC\\-001' # Python的字符串# 對應的正則錶達式字符串變成:# 'ABC\-001'

因此我們强烈建議使用Python的r前綴,就不用考慮轉義的問題了:

s = r'ABC\-001' # Python的字符串# 對應的正則錶達式字符串不變:# 'ABC\-001'

先看看如何判斷正則錶達式是否匹配:

>>> 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'正則錶達式', test):

print 'ok'else:

print 'failed'

切分字符串

用正則錶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:(注意下面的正則錶達式是如何變化的)

>>> 'a b c'.split(' ')

['a', 'b', '', '', 'c']

嗯,無法識別連續的空格,用正則錶達式試試:

>>> 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:

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

['a', 'b', 'c', 'd']

如果用戶輸入了一組標簽,下次記得用正則錶達式來把不規範的輸入轉化成正確的數組。

分組

除了簡單地判斷是否匹配之外,正則錶達式還有提取子串的强大功能。用()錶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號和本地號碼:

以上正則錶達式代錶:

句首 3個數字-3到8個數字 句尾

>>> 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'

如果正則錶達式中定義了組,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)……錶示第1、2、……個子串。

提取子串非常有用。來看一個更凶殘的例子:

>>> 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')

分析:

>>> 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])\://分別是0分、10分、20分、30分、40分、50分時的錶示

(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)//分別是0秒、10秒、20秒、30秒、40秒、50秒時的錶示

這個正則錶達式可以直接識別合法的時間。但是有些時候,用正則錶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])$'

對於'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。

貪婪匹配

最後需要特別指出的是,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,匹配出數字後面的0:

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

('102300', '')

由於\d+采用貪婪匹配,直接把後面的0全部匹配了,結果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),才能把後面的0匹配出來,加個?就可以讓\d+采用非貪婪匹配:

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

('1023', '00')

編譯

當我們在Python中使用正則錶達式時,re模塊內部會幹兩件事情:

  1. 編譯正則錶達式,如果正則錶達式的字符串本身不合法,會報錯;

  2. 用編譯後的正則錶達式去匹配字符串。

如果一個正則錶達式要重複使用幾千次,出於效率的考慮,我們可以預編譯該正則錶達式,接下來重複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')

編譯後生成Regular Expression對象,由於該對象自己包含了正則錶達式,所以調用對應的方法時不用給出正則字符串。

小結

正則錶達式非常强大,要在短短的一節裏講完是不可能的。要講清楚正則的所有內容,可以寫一本厚厚的書了。如果你經常遇到正則錶達式的問題,你可能需要一本正則錶達式的參考書。

請嘗試寫一個驗證Email地址的正則錶達式。版本一應該可以驗證出類似的Email:

[email protected]

[email protected]

版本二可以驗證並提取出帶名字的Email地址:

<Tom Paris> [email protected]

版权声明:本文为[所念皆山海]所创,转载请带上原文链接,感谢。 https://gsmany.com/2021/08/20210816020110087v.html