Python中的正则表达式

1. 正则表达式

1.1 简介

字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址，虽然可以编程提取@前后的子串，再分别判断是否是单词和域名，但这样做不但麻烦，而且代码难以复用。

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。

所以我们判断一个字符串是否是合法的Email的方法是：

创建一个匹配Email的正则表达式；
用该正则表达式去匹配用户的输入来判断是否合法。

因为正则表达式也是用字符串表示的，所以，我们要首先了解如何用字符来描述字符。

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，所以：

‘00\d’可以匹配’007’，但无法匹配’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。

要匹配变长的字符，在正则表达式中，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：

来看一个复杂的例子：\d{3}\s+\d{3,8}。

我们来从左到右解读一下：

\d{3}表示匹配3个数字，例如’010’；
\s可以匹配一个空格（也包括Tab等空白符），所以\s+表示至少有一个空格，例如匹配’ ‘，’ ‘等；
\d{3,8}表示3-8个数字，例如’1234567’。

综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。

如果要匹配’010-12345’这样的号码呢？由于’-‘是特殊字符，在正则表达式中，要用’'转义，所以，上面的正则是\d{3}-\d{3,8}。

但是，仍然无法匹配’010 - 12345’，因为带有空格。所以我们需要更复杂的匹配方式。

1.2 进阶

要做更精确地匹配，可以用[]表示范围，比如：

[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，比如’a100’，’0_Z’，’Py3000’等等；
[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。

你可能注意到了，py也可以匹配’python’，但是加上^py$就变成了整行匹配，就只能匹配’py’了。

1.3 re模块

1.3.1 简介

有了准备知识，我们就可以在Python中使用正则表达式了。Python提供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，所以要特别注意：

s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC\-001'

因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题了：

s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'

先看看如何判断正则表达式是否匹配：

In [101]: import re

In [102]: re.match(r'^\d{3}\-\d{3,8}$','010-12345')
Out[102]: <_sre.SRE_Match object; span=(0, 9), match='010-12345'>

In [103]: re.match(r'^\d{3}\-\d{3,8}$','010 12345')

In [104]: 

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。常见的判断方法就是：

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

1.3.2 切分字符串

用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：

In [104]: 'a b   c '.split(' ')
Out[104]: ['a', 'b', '', '', 'c', '']

无法识别连续的空格，用正则表达式试试：

In [105]: re.split(r'\s+','a b   c')
Out[105]: ['a', 'b', 'c']

无论多少个空格都可以正常分割。加入,试试：

In [108]: re.split(r'[\s\,]+','a,b, c     d')
Out[108]: ['a', 'b', 'c', 'd']

再加入;和#$等其他符号；

In [109]: re.split(r'[\s\,\;;]+','a,b, c     d')
Out[109]: ['a', 'b', 'c', 'd']

In [110]: re.split(r'[\s\,\;;\#$]+','a,b, c     d')
Out[110]: ['a', 'b', 'c', 'd']

如果用户输入了一组标签，记得用正则表达式来把不规范的输入转化成正确的输入。

1.3.3 分组

除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（Group）。比如：

^(\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区号和本地号码：

In [111]: m = re.match(r'^(\d{3})-(\d{3,8})$','010-12345')

In [112]: m
Out[112]: <_sre.SRE_Match object; span=(0, 9), match='010-12345'>

In [113]: m.group(0)
Out[113]: '010-12345'

In [114]: m.group(1)
Out[114]: '010'

In [115]: m.group(2)
Out[115]: '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。

提取子串非常有用。来看一个更凶残的例子：

In [117]:  t = '19:05:30'

In [118]:  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)

In [119]:  m.groups()
Out[119]: ('19', '05', '30')

这个正则表达式可以直接识别合法的时间。但是有些时候，用正则表达式也无法做到完全验证，比如识别日期：

'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'

对于’2-30’，’4-31’这样的非法日期，用正则还是识别不了，或者说写出来非常困难，这时就需要程序配合识别了。

1.3.4 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：

In [120]:  re.match(r'^(\d+)(0*)$', '102300').groups()
Out[120]: ('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：

In [121]:  re.match(r'^(\d+?)(0*)$', '102300').groups()
Out[121]: ('1023', '00')

1.3.5 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：

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；
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：

In [125]: import re

In [126]:  re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')  # 编译

In [127]:  re_telephone.match('010-12345').groups()  # 使用
Out[127]: ('010', '12345')

In [128]:  re_telephone.match('010-89234').groups()  # 使用
Out[128]: ('010', '89234')

编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。

其他的正则

非负整数：^\d+$

正整数：^[0-9]*[1-9][0-9]*$

非正整数：^((-\d+)|(0+))$

负整数：^-[0-9]*[1-9][0-9]*$

整数：^-?\d+$

非负浮点数：^\d+(.\d+)?$

正浮点数 : ^((0-9)+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)$

非正浮点数：^((-\d+\.\d+)?)|(0+(\.0+)?))$

负浮点数：^(-((正浮点数正则式)))$

英文字符串：^[A-Za-z]+$

英文大写串：^[A-Z]+$

英文小写串：^[a-z]+$

英文字符数字串：^[A-Za-z0-9]+$

英数字加下划线串：^\w+$

E-mail地址：^[\w-]+(.[\w-]+)*@[\w-]+(.[\w-]+)+$

URL：^[a-zA-Z]+://(\w+(-\w+)*)(\.(\w+(-\w+)*))*(\?\s*)?$ 或：^http:\/\/[A-Za-z0-9]+\.[A-Za-z0-9]+[\/=\?%\-&_~@[]\':+!](<>\"\")$

邮政编码：^[1-9]\d{5}$

中文：^[\u0391-\uFFE5]+$

电话号码：^(((\d{2,3}))|(\d{3}-))?((0\d{2,3})|0\d{2,3}-)?[1-9]\d{6,7}(-\d{1,4})?$

手机号码：^(((\d{2,3}))|(\d{3}-))?13\d{9}$

双字节字符(包括汉字在内)：^\x00-\xff

匹配首尾空格：(^\s)|(\s$)（像vbscript那样的trim函数）

匹配HTML标记：<(.)>.<\/\1>|<(.*) \/>

匹配空行：\n[\s| ]*\r

提取信息中的网络链接：(h|H)(r|R)(e|E)(f|F) *= *('|")?(\w|\|\/|.)+('|"| *|>)?

提取信息中的邮件地址：\w+([-+.]\w+)@\w+([-.]\w+).\w+([-.]\w+)*

提取信息中的图片链接：(s|S)(r|R)(c|C) *= *('|")?(\w|\|\/|.)+('|"| *|>)?

提取信息中的IP地址：(\d+).(\d+).(\d+).(\d+)

提取信息中的中国手机号码：(86)013\d{9}

提取信息中的中国固定电话号码：((\d{3,4})|\d{3,4}-|\s)?\d{8}

提取信息中的中国电话号码（包括移动和固定电话）：((\d{3,4})|\d{3,4}-|\s)?\d{7,14}

提取信息中的中国邮政编码：[1-9]{1}(\d+){5}

提取信息中的浮点数（即小数）：(-?\d*).?\d+

提取信息中的任何数字：(-?\d*)(.\d+)?

IP：(\d+).(\d+).(\d+).(\d+)

电话区号：/^0\d{2,3}$/

腾讯QQ号：^[1-9]*[1-9][0-9]*$

帐号(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$

中文、英文、数字及下划线：^[\u4e00-\u9fa5_a-zA-Z0-9]+$

匹配中文字符的正则表达式： [\u4e00-\u9fa5]

匹配双字节字符(包括汉字在内)：[^\x00-\xff]

匹配空行的正则表达式：\n[\s| ]*\r

匹配HTML标记的正则表达式：/<(.)>.<\/\1>|<(.*) \/>/

匹配首尾空格的正则表达式：(^\s)|(\s$)

匹配Email地址的正则表达式：\w+([-+.]\w+)@\w+([-.]\w+).\w+([-.]\w+)*

3. 练习

3.1. 请尝试写一个验证Email地址的正则表达式。版本一应该可以验证出类似的Email：

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

执行以上代码的结果：

True
True

3.2. 版本二可以提取出带名字的Email地址：

tom@voyager.org => Tom Paris
bob@example.com => bob

import re
def name_of_email(addr):
    if addr[0] == '<':
        return re.split(r'[<>]',addr)[1]
    else:
        return re.split(r'[@]',addr)[0]
    return None

print(name_of_email('<Tom Paris> tom@voyager.org => Tom Paris'))
print(name_of_email('bob@example.com => bob'))