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。
正則表達式是一種用來匹配字符串的強有力的武器。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,我們就認爲它“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:
創建一個匹配Email的正則表達式;
用該正則表達式去匹配用戶的輸入來判斷是否合法。
因爲正則表達式也是用字符串表示的,所以,我們要首先了解如何用字符來描述字符。
在正則表達式中,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,在正則表達式中,用*
表示任意個字符(包括0個),用+
表示至少一個字符,用?
表示0個或1個字符,用{n}
表示n個字符,用{n,m}
表示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:
\d{3}
表示匹配3個數字,例如'010'
;\s
可以匹配一個空格(也包括Tab等空白符),所以\s+
表示至少有一個空格,例如匹配' '
,' '
等;\d{3,8}
表示3-8個數字,例如'1234567'
。
綜合起來,上面的正則表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,在正則表達式中,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'
,因爲帶有空格。所以我們需要更復雜的匹配方式。
進階
要做更精確地匹配,可以用[]
表示範圍,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'
。
^
表示行的開頭,^\d
表示必須以數字開頭。
$
表示行的結束,\d$
表示必須以數字結束。
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
有了準備知識,我們就可以在Python中使用正則表達式了。Python提供re
模塊,包含所有正則表達式的功能。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
# 對應的正則表達式字符串變成:
# 'ABC\-001'
因此我們強烈建議使用Python的r
前綴,就不用考慮轉義的問題。先看看如何判斷正則表達式是否匹配:
>>> 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'正則表達式', test):
print('ok')
else:
print('failed')
切分字符串
用正則表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:
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']
嗯,無法識別連續的空格,用正則表達式試試:
>>> 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籤,下次記得用正則表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,正則表達式還有提取子串的強大功能。用()
表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:
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
如果正則表達式中定義了組,就可以在Match
對象上用group()
方法提取出子串來。
注意到group(0)
永遠是原始字符串,group(1)
、group(2)
……表示第1、2、……個子串。
提取子串非常有用。來看一個更兇殘的例子:
>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')