探究Python中的Regex

 　　這篇文章主要介紹了Python中的Regex的一些用法,Regex的使用是Python學習進階中的重要知識,需要的朋友可以參考下

　　字串是編程時涉及到的最多的一種資料結構，對字串進行操作的需求幾乎無處不在。比如判斷一個字串是否是合法的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網域名稱，但這樣做不但麻煩，而且代碼難以複用。

　　Regex是一種用來匹配字串的強有力的武器。它的設計思想是用一種描述性的語言來給字串定義一個規則，凡是符合規則的字串，我們就認為它“匹配”了，否則，該字串就是不合法的。

　　所以我們判斷一個字串是否是合法的Email的方法是：

　　建立一個匹配Email的Regex;

　　用該Regex去匹配使用者的輸入來判斷是否合法。

　　因為Regex也是用字串表示的，所以，我們要首先瞭解如何用字元來描述字元。

　　在Regex中，如果直接給出字元，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：

　　'00d'可以匹配'007'，但無法匹配'00A';

　　'ddd'可以匹配'010';

　　'wwd'可以匹配'py3';

　　.可以匹配任一字元，所以：

　　'py.'可以匹配'pyc'、'pyo'、'py!'等等。

　　要匹配變長的字元，在Regex中，用*表示任意個字元(包括0個)，用+表示至少一個字元，用?表示0個或1個字元，用{n}表示n個字元，用{n,m}表示n-m個字元：

　　來看一個複雜的例子：d{3}s+d{3,8}。

　　我們來從左至右解讀一下：

　　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Regex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'-'是特殊字元，在Regex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[]表示範圍，比如：

　　[0-9a-zA-Z_]可以匹配一個數字、字母或者底線;

　　[0-9a-zA-Z_]+可以匹配至少由一個數字、字母或者底線組成的字串，比如'a100'，'0_Z'，'Py3000'等等;

　　[a-zA-Z_][0-9a-zA-Z_]*可以匹配由字母或底線開頭，後接任意個由一個數字、字母或者底線組成的字串，也就是Python合法的變數;

　　[a-zA-Z_][0-9a-zA-Z_]{0, 19}更精確地限制了變數的長度是1-20個字元(前面1個字元+後面最多19個字元)。

　　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模組

　　有了準備知識，我們就可以在Python中使用Regex了。Python提供re模組，包含所有Regex的功能。由於Python的字串本身也用轉義，所以要特別注意：

　　?

1 2 3

s = 'ABC-001' # Python的字串 # 對應的Regex字串變成： # 'ABC-001'

　　因此我們強烈建議使用Python的r首碼，就不用考慮轉義的問題了：

　　?

1 2 3

s = r'ABC-001' # Python的字串 # 對應的Regex字串不變： # 'ABC-001'

　　先看看如何判斷Regex是否匹配：

　　?

1 2 3 4 5

>>> 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：

　　?

1 2 3 4 5

test = '使用者輸入的字串' if re.match(r'Regex', test): print 'ok' else: print 'failed'

　　切分字串

　　用Regex切分字串比用固定的字元更靈活，請看正常的切分代碼：

　　?

1 2	>>> 'a b c'.split(' ') ['a', 'b', '', '', 'c']

　　嗯，無法識別連續的空格，用Regex試試：

　　?

1 2	>>> 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：

　　?

1 2	>>> re.split(r'[s,]+', 'a,b, c d') ['a', 'b', 'c', 'd']

　　再加入;試試：

　　?

1 2	>>> re.split(r'[s,;]+', 'a,b;; c d') ['a', 'b', 'c', 'd']

　　如果使用者輸入了一組標籤，下次記得用Regex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，Regex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串中提取出區號和本地號碼：

　　?

1 2 3 4 5 6 7 8 9

>>> 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Regex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：

　　?

1 2 3 4

>>> 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')

　　這個Regex可以直接識別合法的時間。但是有些時候，用Regex也無法做到完全驗證，比如識別日期：

　　?

1	'^(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，這時就需要程式配合識別了。

　　貪婪匹配

　　最後需要特別指出的是，正則匹配預設是貪婪匹配，也就是匹配儘可能多的字元。舉例如下，匹配出數字後面的0：

　　?

1 2	>>> re.match(r'^(d+)(0*)$', '102300').groups() ('102300', '')

　　由於d+採用貪婪匹配，直接把後面的0全部匹配了，結果0*只能匹配Null 字元串了。

　　必須讓d+採用非貪婪匹配(也就是儘可能少匹配)，才能把後面的0匹配出來，加個?就可以讓d+採用非貪婪匹配：

　　?

1 2	>>> re.match(r'^(d+?)(0*)$', '102300').groups() ('1023', '00')

　　編譯

　　當我們在Python中使用Regex時，re模組內部會幹兩件事情：

　　編譯Regex，如果Regex的字串本身不合法，會報錯;

　　用編譯後的Regex去匹配字串。

　　如果一個Regex要重複使用幾千次，出於效率的考慮，我們可以先行編譯該Regex，接下來重複使用時就不需要編譯這個步驟了，直接匹配：

　　?

1 2 3 4 5 6 7 8

>>> 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')

　　編譯後產生Regular Expression對象，由於該對象自己包含了Regex，所以調用對應的方法時不用給出正則字串。

　　小結

　　Regex非常強大，要在短短的一節裡講完是不可能的。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Regex的問題，你可能需要一本Regex的參考書。

　　請嘗試寫一個驗證Email地址的Regex。版本一應該可以驗證出類似的Email：

　　?

1 2 3

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

　　版本二可以驗證並提取出帶名字的Email地址：

　　?

1	<Tom Paris> tom@voyager.org