Contents
- 1 正则表达式基础
- 1.1 语法进阶
- 1.2 正则表达式语法总结
- 2 Python的re 模块
- 2.1 切分字符串
- 2.2 分组
- 2.3 贪婪匹配
- 2.4 findall
- 2.5 compile 编译
- 3 参考资料
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（简称为 regex）是一些由字符和特殊符号组成的字符串，描述了模式的重复或者表述多个字符，因此正则表达式能按照某种模式匹配一系列有相似特征的字符串，其也为高级的文本模式匹配、提取、与/或文本形式的搜索和替换功能提供了基础。这篇文章是刚学 Python 时阅读廖雪峰的书籍写的学习笔记，大部分内容都来自书中内容，当时自己只是做了些编辑和总结内容。
正则表达式基础
正则表达式是用来匹配字符串的强有力武器，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。
举例来讲，判断一个字符串是合法 Email 地址的方法如下：
- 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，判断是否合法。
正则表达式也是用字符串来表示的，所以我们需要了解如何用字符表示字符。在正则表达式中，如果直接给出字符，则就是精确匹配。
1， d 可以匹配一个数字 [0-9]，用 w 可以匹配一个字母或数字 [A-Z,a-z,0-9]。，所以：
'00d'可以匹配 ‘007’，但是不能匹配 ’00A’'ddd'可以匹配 ‘223’，但是不能匹配 ‘SSA’'wwd'可以匹配 ‘AD4’
2，. 可以匹配任意字符(换行符n除外)，所以：
'num.'可以匹配 ‘num1’，’num3’，’nums’ 等字符串。
3，要匹配变长的字符，在正则表达式中，* 匹配前一个字符 0 次或无限次， 匹配前一个字符 1 次或无限次，？匹配前一个字符 0 次或一次，{m} 匹配前一个字符 m 次，{m,n}匹配前一个字符 m 至 n 次：
看一个复杂的正则表达式例子： d{3}s d{3,8}。
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}。
语法进阶
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’ 。I代表左右表达式任意匹配一个，它总是先尝试匹配左边的表达式，一旦成功匹配匹配则跳过匹配右边的表达式。如果|没有被包括在()中，则它的范围是整个正则表达式。
^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$就变成了整行匹配，就只能匹配 ‘py’ 了。
正则表达式语法总结
下图列出了 Python 支持的正则表达式元字符和语法（图来自 CSDN 博客）。
正则表达式的语法规则
Python的re 模块
有了准备知识，我们就可以在 Python 中使用正则表达式了。 Python 提供re模块，包含所有正则表达式的功能。由于 Python 的字符串本身也用 转义，所以要特别注意：
s = 'ABC\-001' # Python 的字符串
# 对应的正则表达式字符串变成：
# 'ABC-001' 因此强烈建议使用 Python的 r 前缀，就不用考虑转义的问题了：
s = r'ABC-001' # Python 的字符串
# 对应的正则表达式字符串不变：
# 'ABC
match() 方法判断是否匹配，如果匹配成功，返回一个 Match 对象，否则返回 None。常见的判断方法如下。
切分字符串
使用正则表达式切分字符串比用固定的字符更灵活，这里要用到 python 的 split() 函数：通过指定分隔符对字符串进行切片，如果参数 num 有指定值，则仅分隔 num 个子字符串。两种代码对比实例如下：
分组
除了简单的判断是否匹配外，正则表达式还有提取字串的强大功能。用 () 表示的就是要提取的分组 (Group)。比如：^(d{3})-(d{3,8})$ 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，程序实例 1：
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。
程序实例 2，正则表达式识别合法时间：
代码语言：javascript复制# 分组案例2，识别合法时间
t = '23:11:57'
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)
print(m.groups())
print(m.group(0), m.group(1))
#### 程序输出结果 ####
# ('23', '11', '57')
# 23:11:57 23
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：
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。
findall
findall 方法可以在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。注意： match 和 search 方法是匹配一次， findall 匹配所有。语法格式为：
re.findall(pattern, string, flags=0)
或
pattern.findall(string[, pos[, endpos]])参数：
pattern：匹配模式。string：待匹配的字符串。pos：可选参数，指定字符串的起始位置，默认为 0。endpos：可选参数，指定字符串的结束位置，默认为字符串的长度。
查找字符串中的所有数字的实例代码如下：
代码语言：javascript复制import re
result1 = re.findall(r'd ','runoob 123 google 456')
pattern = re.compile(r'd ') # 查找数字
result2 = pattern.findall('runoob 123 google 456')
result3 = pattern.findall('run88oob123google456', 0, 10)
print(result1)
print(result2)
print(result3)程序输出结果：
[‘123’, ‘456’] [‘123’, ‘456’] [’88’, ’12’]
compile 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。
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()、 search() 和 findall() 等这函数使用。代码实例如下：
file_name = '45-depth.png' # 字符串定义
pattern = re.compile(r'd .?d*')# 预编译
pattern.findall(file_name) # 使用-搜索string，以列表形式返回全部能匹配的子串
### 输出 ###
# ['45']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。
参考资料
《Python教程-廖雪峰》 Python3 正则表达式 Python爬虫入门七之正则表达式
