- Python实践：Python文本处理之正则表达式
- 初级三板斧
- 进阶登堂入室
- Python实战
- 分割
- 分组
- 隋唐练习
- 参考资料
正则表达式是一种用来匹配字符串的强有力的武器，利用 字符来匹配字符的思想，基于显示规则进行模式匹配，可以高效组合成不同样式的字符串，迅速处理字符串。
相信我，学会正则表达式，你在以后的文本处理时，一定会感谢我。温馨提示，建议配合《廖雪峰的Python正则表达式教程》研读，见文末参考资料1。
初级三板斧基础元字符意义总结如下，日常情况都是以下举例的组合：
-
d，表示一个数字
-
w，表示一个字母或数字
-
. ， 表示任意一个字符，如：'py.‘可以匹配’pyc’、‘pyo’、'py!'等
-
*， 表示任意个字符（包括0个），对前一个字符模式重复任意次
-
+， 表示至少一个字符
-
?， 表示0个或1个字符
-
{}， 表示自定义个字符个数，修饰前面一个变量最长的字符个数，如{n}表示n个字符；{n,m}表示n-m个字符，可取到m个字符
-
s， 表示一个空白符，如空格Space、Tab等，s+可表示至少有一个空格
组合示例：
- d{3,8} ，表示3-8个数字组成的字符串，例如’123’或’12345678’
- d{3}，表示3个数字，例如’010’
- w.，表示任意一个字符（字符或数字）配一个任意字符, 如’a.', ‘p!’
- ``s+`，表示至少有一个空白符，如’ ', ’ ’
高频问题总结如下：
-
转义问题，标点符号只有被转义时才匹配自身，否则它们表示特殊的含义。
- 如：'-_?.'，都是特殊字符，在正则表达式中，要用转义
- 如：r'py.'，才能查找py.这样的字符串
-
|，选择分支表示或的关系，A|B可以匹配A或B，如(P|p)ython可以匹配’Python’或者’python’。
-
[]，表示当前一个字符的范围，大于两种的可能；如：[a-zA-Z_][0-9a-zA-Z_]{0, 19}，前面1个字符+后面最多19个字符
-
^，表示行的开头，如^d，表示必须以数字开头。
-
$，表示行的结束，如d$，表示必须以数字结束。
-
()，分组功能，(xyz) 字符组，按照确切的顺序匹配字符 xyz。
-
[^]，否定字符类。匹配方括号中不包含的任意字符
组合示例：
- ^(P|p)y，表示首行以P或p开头，第二个字符为y的字符串
- ^py&，表示整行匹配，行首以p开头，且中间无字符，行尾以y结束
- [^w]+ ，表示所有非字母或数字的字符串
Python用re模块来使用正则表达式功能，原因是正则表达式的英文为“Regular Expression”，常见缩写为：regex 或 regexp。
import re # 导入正则表达式模块
由于Python的字符串本身也用转义，所以一般使用时要对本身进行转义，变成\。比如：
s = 'ABC\-001' # Python的字符串 # 对应的正则表达式字符串变成： # 'ABC-001'
但还有个更优雅的解决办法，强烈推荐：
- 在字符串前加r，表示按字面意思处理，不转义，可达到相同效果
- 当然，此时n,t,%d等转义字符就无转义功能了
s = r'ABC-001' # Python的字符串分割
根据re的split()函数，基于正则表达式的Python字符串分割，说明如下：
- re.split(r'pattern', 'str')
- 入参1：匹配pattern，入参2：带查找字符串
实例如下：
# 功能：去除空格等空白符，+表示以上形式的字符至少有一个 re.split(r's+', 'a b c') # 功能：去除空白符和逗号，+表示以上形式的字符至少有一个 re.split(r'[s,]+', 'a,b, c d')分组
主要知识点：
- groups()函数
- ()的用法，每个()对应分离出一组结果
再以分离识别时间字符串例子进行说明。
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])$', t)
m.groups() # >>> ('19', '05', '30')
分段理解：
- (0[0-9]|1[0-9]|2[0-3]|[0-9])，表示识别第一个组，即’19:05:30’中的19
- 第一组，总体有4种可能形式，用逻辑或|连接
- 0*
- 1*
- 2*
- *（一位数表示场景）
- 0[0-9]，场景1，表示0字符开头，加一个0-9数字， 00-09
- 1[0-9]，场景2，10-19
- 2[0-3]，场景3，20-23，注意没有24点，因为有00:00
- [0-9]， 场景4，0-9，处理仅一位数的场景
此外，要注意贪心匹配法的问题，以下内容摘自廖雪峰正则表达式文章。
# 默认贪心匹配，即大嘴法，能跟更多的满足条件的组合
>>> re.match(r'^(d+)(0*)$', '102300').groups()
>>> ('102300', '')
# 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：
>>> re.match(r'^(d+?)(0*)$', '102300').groups()
>>> ('1023', '00')
行文至此，细心的读者可能发现，一直都是在处理英文字符，如果要查找中文样式的字符如何处理呢？
正则表达式匹配汉字核心思路是：在unicode编码模式下，汉字编码范围：u4e00-u9fa5，可据此进行表征，详细内容见：此文。
隋唐练习来自廖雪峰文章的作业，根据以上知识试解决以下两个问题。
- 问题1：一个验证Email地址的正则表达式。如以下Email格式：someone@gmail.com；bill.gates@microsoft.com
- 问题2：提取出带名字的Email地址。如：
tom@voyager.org => Tom Paris；bob@example.com => bob
参考代码及详解如下：
def is_valid_email(addr):
# [w.]+ 表示至少有任意一个字母或者数字或者.出现，多个类似数字依然认可
# 直到遇到@
# w+ 表示只有字符（字母或数字）出现
# 直到遇到.com$一直到结尾
# re_email = re.compile(r'[w.]+@w+.com$') # 将正则表达式预编译，以便经常调用
# if re_email.match(addr):
if re.match(r'[w.]+@w+.com$', addr):
return True
else:
return False
def name_of_email(addr):
# ?', addr)
return res.group(1) # group是个函数，1是入参，表示分组后的第一个结果，0则表示分组前的内容
参考资料
- 廖雪峰正则表达式博客，讲解清晰，简明易懂，入门必备：link
- 好心人总结的进阶补充手册，概况全面：link
- 菜鸟教程，体系化总结：link
