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一个合法的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juice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:
1.创建一个匹配Email的正则表达式;
2.用该正则表达式去匹配用户的输入来判断是否合法。
由于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表述字符。
一、匹配单个字符
在正则表达式中,如果直接给出字符,就是精确匹配。
\d可以匹配一个数字
\w可以匹配一个字母或数字
. 可以匹配任意一个字符
如,‘00\d‘ 可以匹配‘007‘,但无法匹配 ‘00A‘;
二、匹配边长的字符
如,\d{3}\s+\d{3,8}表示,三个数字,至少一个空格,3-8个数字
三、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\_][a-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\_][a-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。
四、re模块
先来看看如何判断正则表达式是否匹配:
>>> import re >>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345') <_sre.SRE_Match object at 0x1026e18b8> >>> re.match(r'^\d{3}\-\d{3,8}$', '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'
搜索子字符串
search()
方法判断是包含子字符串,如果包含可用group()来查看结果,如果不包含返回None。>>> m = re.search('[0-9]','abcd3ef') >>> print m.group(0) 3 >>> m = re.search('[0-9]','abcdef') >>> m.group()
替换子串
str = re.sub(pattern, replacement, string) # 在string中利用正则变换pattern进行搜索,对于搜索到的字符串,用另一字符串replacement替换。返回替换后的字符串。
>>> str=re.sub('[0-9]','u','ab2c1def') >>> str 'abucudef'
切分字符串
>>> 'a b c'.split(' ') ['a', 'b', '', '', 'c']结果发现,无法识别连续的空格,用正则表达式试试:
>>> re.split(r'\s+', 'a b c') ['a', 'b', 'c']
无论多少个空格都可以正常进行分割。加入,试试:
>>> re.split(r'[\s\,]+', 'a,b, c d') ['a', 'b', 'c', 'd']
分组(提取子串)
()
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区号和本地号码:>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345') >>> m <_sre.SRE_Match object at 0x1026fb3e8> >>> m.group(0) '010-12345' >>> m.group(1) '010' >>> m.group(2) '12345'
如果正则表达式中定义了组,就可以在Match
对象上用group()
方法提取出子串来。
注意到group(0)
永远是原始字符串,group(1)
、group(2)
……表示第1、2、……个子串。
五、编译
>>> import re # 编译: >>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$') # 使用: >>> re_telephone.match('010-12345').groups() ('010', '12345') >>> re_telephone.match('010-8086').groups() ('010', '8086')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。