對於字符串的操做在任何一門編程語言中都很重要,而python常常運用於數據處理,合理運用正則,能夠幫助咱們更好地處理數據python
在正則表達式中,若是直接給出字符,就是精確匹配。用\d
能夠匹配一個數字,\w
能夠匹配一個字母或數字正則表達式
例如:編程
'00\d'能夠匹配'007',但沒法匹配'00A'; '\d\d\d'能夠匹配'010'; '\w\w\d'能夠匹配'py3';
能夠匹配任意字符,因此:能夠匹配、、等等。.'py.''pyc''pyo''py!'
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:後端
來看一個複雜的例子:\d{3}\s+\d{3,8}
。服務器
咱們來從左到右解讀一下:編程語言
\d{3}
表示匹配3個數字,例如'010'
;函數
\s
能夠匹配一個空格(也包括Tab等空白符),因此\s+
表示至少有一個空格,例如匹配' '
,' '
等;spa
\d{3,8}
表示3-8個數字,例如'1234567'
。code
綜合起來,上面的正則表達式能夠匹配以任意個空格隔開的帶區號的電話號碼。對象
若是要匹配'010-12345'
這樣的號碼呢?因爲'-'
是特殊字符,在正則表達式中,要用'\'
轉義,因此,上面的正則是\d{3}\-\d{3,8}
。
可是,仍然沒法匹配'010 - 12345'
,由於帶有空格。因此咱們須要更復雜的匹配方式。
要作更精確地匹配,能夠用[]
表示範圍,好比:
[0-9a-zA-Z\_]能夠匹配一個數字、字母或者下劃線; [0-9a-zA-Z\_]+能夠匹配至少由一個數字、字母或者下劃線組成的字符串,好比'a100','0_Z','Py3000'等等; [a-zA-Z\_][0-9a-zA-Z\_]*能夠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
能夠匹配A或B,因此(P|p)ython
能夠匹配'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
也能夠匹配'python'
,可是加上^py$
就變成了整行匹配,就只能匹配'py'
了。
有了準備知識,咱們就能夠在Python中使用正則表達式了。Python提供re
模塊,包含全部正則表達式的功能。因爲Python的字符串自己也用\
轉義,因此要特別注意:
s = 'ABC\\-001' # Python的字符串 # 對應的正則表達式字符串變成: # 'ABC\-001'
所以咱們強烈建議使用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 # 對應的正則表達式字符串不變: # 'ABC\-001'
下面看看咱們如何使用re模塊來進行匹配:
>>> import re >>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345') <_sre.SRE_Match object; span=(0, 9), match='010-12345'> #匹配成功 >>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345') >>> #匹配失敗
match()
方法判斷是否匹配,若是匹配成功,返回一個Match
對象,不然返回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')
re.findall()在字符串中找到正則表達式所匹配的全部子串,並返回一個列表;若是沒有找到匹配的,則返回空列表。
返回結果是列表類型,須要遍歷一下才能依次獲取每組內容。
findall(patern, string, flags=0)
import re content = 'Hello 123456789 Word_This is just a test 666 Test' results = re.findall('\d+', content) print(results) for result in results: print(result)
結果:
['123456789', '666'] 123456789 666
咱們還可使用正則表達式來切分字符串
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']
發現這樣寫沒法識別連續的空格,用正則表達式試試:
>>> re.split(r'\s+', 'a b c') ['a', 'b', 'c']
不管多少個空格均可以正常分割。咱們能夠加入,
試試:
>>> re.split(r'[\s\,]+', 'a,b, c d') ['a', 'b', 'c', 'd']
再加入;照樣能夠分割
>>> re.split(r'[\s\,\;]+', 'a,b;; c d') ['a', 'b', 'c', 'd']
除了簡單地判斷是否匹配以外,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)。好比:
^(\d{3})-(\d{3,8})$
分別定義了兩個組,能夠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})$', '010-12345') >>> m <_sre.SRE_Match object; span=(0, 9), match='010-12345'> >>> m.group(0) '010-12345' >>> m.group(1) '010' >>> m.group(2) '12345'
若是正則表達式中定義了組,就能夠在Match
對象上用group()
方法提取出子串來。
注意到group(0)
永遠是原始字符串,group(1)
、group(2)
……表示第一、二、……個子串。
例如咱們可使用分組來判別時間字符串是否合法:
>>> t = '19:05:30' >>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t) >>> m.groups() ('19', '05', '30')
例如(?P<value>\d+)的意思就是命名一個名字爲value的組,匹配規則符合後面的/d+
這個正則方法常常用於函數參數的傳遞,例如網頁的http://127.0.0.1:8000/blog/article/1 的匹配傳遞頁面編號到服務器後端,而後由後端根據傳入數據返回響應網頁界面
須要特別指出的是,正則匹配默認是貪婪匹配,也就是匹配儘量多的字符。舉例以下,匹配出數字後面的0
:
>>> re.match(r'^(\d+)(0*)$', '102300').groups() ('102300', '')
因爲\d+
採用貪婪匹配,直接把後面的0
所有匹配了,結果0*
只能匹配空字符串了。
必須讓\d+
採用非貪婪匹配(也就是儘量少匹配),才能把後面的0
匹配出來,加個?
就可讓\d+
採用非貪婪匹配:
>>> re.match(r'^(\d+?)(0*)$', '102300').groups() ('1023', '00')
當咱們在Python中使用正則表達式時,re模塊內部會幹兩件事情:
編譯正則表達式,若是正則表達式的字符串自己不合法,會報錯;
用編譯後的正則表達式去匹配字符串。
若是一個正則表達式要重複使用幾千次,出於效率的考慮,咱們能夠預編譯該正則表達式,接下來重複使用時就不須要編譯這個步驟了,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,因爲該對象本身包含了正則表達式,因此調用對應的方法時不用給出正則字符串。