Python正则表达式

(Updated: )
Python

0x00 基础

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。

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
'00\d'可以匹配'002'、'003'等，但是无法匹配'00a'
'\d\d\d'可以匹配长度为3的字符串或数字，比如'123'、'111'等
'\w\w\d'可以匹配长度为3的字符串，比如'aa1'、'ds0'等
.可以匹配任意一个字符，比如'ab.'可以匹配'ab1'、'abd'等

要匹配变长的字符，
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

例如，\d{3}\s+\d{3,8}

  • \d{3}代表3个数字
  • \s代表匹配一个空格（包括Tab等空白符），所以\s+表示至少有一个空格
  • \d{3,8}表示3到8个数字

综上，上面的正则表达式可以匹配前面3个数字，中间至少一个空格，后面3到8个数字的字符串

如果要匹配特殊字符，比如-，需要用\转义，即\-

0x01 进阶

要做到更精确的匹配，可以用[]表示范围

  • [0-9a-zA-Z\_]可以匹配一个数字、或一个字母或者一个下划线
  • [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或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、字母或下划线组成的字符串
  • [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（前面一个字符+后面最多19个字符）

A|B可以匹配A或B
(P|p)ython可以匹配Python或python
^表示行的开头，^\d表示必须以数字开头
$表示行的结束，\d$表示必须以数字结尾

0x02 re模块

下面用Python的re库使用正则表达式
由于Python的字符串本身也用\转义，所以要特别注意：

1
2
3
4
str = 'abc\\-111'
print(str)

结果： abc\-111

所以我们可以使用r前缀，原始字符串，不用考虑转义的问题

1
2
3
4
str = r'abc\-111'
print(str)

结果： abc-111

判断正则表达式是否匹配

1
2
3
4
>>> 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。常见的判断方法是

1
2
3
4
5
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

0x03 切分字符串

用正则表达式切片更加灵活

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

无法识别连续的空格，用正则表达式

1
2
3
4
5
ss = 'a b     c'
res = re.split(r'\s+', ss)
print(res)

结果： ['a', 'b', 'c']

切分空格、,

1
2
3
4
5
ss = 'a,b     c,d  e'
res = re.split(r'[\s\,]+', ss)
print(res)

结果： ['a', 'b', 'c', 'd', 'e']

再加上;

1
2
3
4
5
ss = 'a,b     c;;d  e;test'
res = re.split(r'[\s\,\;]+', ss)
print(res)

结果： ['a', 'b', 'c', 'd', 'e', 'test']

0x04 分组

提取子串
用()表示的就是要提取的分组(Group)。
^(\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两个字符串

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
str = '010-5832360'
if re.match(r'^(\d{3})-(\d{3,8})$', str):
    print("匹配成功")
else:
    print("匹配失败")
res = re.match(r'^(\d{3})-(\d{3,8})$', str)
print(res.group(0))
print(res.group(1))
print(res.group(2))

结果：
匹配成功
010-5832360
010
5832360

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。

0x05 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：

1
2
>>> 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：

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

0x06 写在最后

正则表达式的内容绝不止这些，这些只是基本的用法。
后面会接着学习。