Python公开课 - 正则表达式
前言
正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。
在项目上，我们经常回碰到这样一个问题，例如验证一个email字符串是否合法。解决思路就是先预定一个字符串模式，符合这个模式的就属于合法，不属于的就属于非法。这个预定的字符串模式就是正则表达式。
re标准库
在Python中，re模块提供了一套标准的正则表达式解决方案
re.match函数
re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。
# -*- coding: UTF-8 -*-
import re
print(re.match('www', 'www.xtuz.net').span()) # 在起始位置匹配
print(re.match('net', 'www.xtuz.net')) # 不在起始位置匹配
输出：
(0, 3)
None
注意：span函数用来返回匹配对象起始位置和结束位置
re.search函数
re.search 扫描整个字符串并返回第一个成功的匹配。
# -*- coding: UTF-8 -*-
import re
print(re.search('www', 'www.xtuz.net').span()) # 在起始位置匹配
print(re.search('net', 'www.xtuz.net').span()) # 不在起始位置匹配
输出：
(0, 3)
(9, 12)
re.match与re.search的区别
re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。
正则表达式模式
- ^ 匹配字符串的开头
- $ 匹配字符串的末尾。
- . 匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
- [...] 用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'
- [^...] 不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。
- re* 匹配0个或多个的表达式。
- re+ 匹配1个或多个的表达式。
- re? 匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
- re{ n} 精确匹配 n 个前面表达式。例如， o{2} 不能匹配 "Bob" 中的 "o"，但是能匹配 "food" 中的两个 o。
- re{ n,} 匹配 n 个前面表达式。例如， o{2,} 不能匹配"Bob"中的"o"，但能匹配 "foooood"中的所有 o。"o{1,}" 等价于 "o+"。"o{0,}" 则等价于 "o*"。
- re{ n, m} 匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
- a| b 匹配a或b
- (re) 匹配括号内的表达式，也表示一个组
- (?imx) 正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。
- (?-imx) 正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。
- (?: re) 类似 (...), 但是不表示一个组
- (?imx: re) 在括号中使用i, m, 或 x 可选标志
- (?-imx: re) 在括号中不使用i, m, 或 x 可选标志
- (?#...) 注释.
- (?= re) 前向肯定界定符。如果所含正则表达式，以 ... 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。
- (?! re) 前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功
- (?> re) 匹配的独立模式，省去回溯。
- \w 匹配字母数字及下划线
- \W 匹配非字母数字及下划线
- \s 匹配任意空白字符，等价于 [\t\n\r\f].
- \S 匹配任意非空字符
- \d 匹配任意数字，等价于 [0-9].
- \D 匹配任意非数字
- \A 匹配字符串开始
- \Z 匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
- \z 匹配字符串结束
- \G 匹配最后匹配完成的位置。
- \b 匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
- \B 匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
- \n, \t, 等. 匹配一个换行符。匹配一个制表符。等
- \1...\9 匹配第n个分组的内容。
- \10 匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式。
正则表达式修饰符 - 可选标志
正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：
- re.I 使匹配对大小写不敏感
- re.L 做本地化识别（locale-aware）匹配
- re.M 多行匹配，影响 ^ 和 $
- re.S 使 . 匹配包括换行在内的所有字符
- re.U 根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B.
- re.X 该标志通过给予你更灵活的格式以便你将正则表达式写得更易于理解。
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：
>>> re.split(r'\s+', 'a b c')
['a', 'b', 'c']
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：
>>> 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'
编译
re.compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。
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
#coding=utf8
import re
pattern = re.compile(r'\d+') # 用于匹配至少一个数字
m = pattern.match('one12twothree34four') # 查找头部，没有匹配
print(m)
m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
print(m)
m = pattern.search('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
print(m) # 返回一个 Match 对象
输出：
None
None
<_sre.SRE_Match object at 0x7fb51fabc780>
小结
正则表达式非常强大，应用场景也很广泛，我们会在后面的实践中讲述更多正则表达式的使用方法。