Python正则表达式总结

基础匹配

'd' 可以匹配一个数字，'00d'可以匹配'007'；
'w' 可以匹配一个字母或者数字，'00w'可以匹配'007'或者'00a'；
's' 可以匹配一个空格；
'.'可以匹配任意字符；

匹配变长的字符，可以用*表示任意个字符(包括0个)，用+表示至少一个字符，
用？表示0个或者1个字符，用{n}表示n个字符，用{n,m}表示n-m个字符：
'd{3}-d{8}' → '020-61228080'
 

进阶

要做更精确的匹配，可以用[ ]表示范围，比加：
[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；
[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；
 

re模块

Python提供的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，所以要注意：
s='ABC\-001'  表示正则字符串'ABC-001'，但使用r前缀就不用考虑转义的问题了，r'ABC-001'。

match()方法判断是否匹配，匹配成功返回一个Match()对象，否则返回None。常用判断方法：

test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

切割字符串

用正则表达式切分字符串比用固定的字符更灵活，请看正常的代码：

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

上述方法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', 'b', 'c']

分组

正则表达式还可以用于提取子串，用()表示的就是要提取的分组(Group)。如^(d{3})-(d{3,8})$分别定义了两个组，(d{3})和(d{3,8})：

>>> 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，groups()表示一个子串的元组。
 

贪婪匹配

正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。
 

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')