Python 正则表达式

常用的正则通配符与表达式

表达式	说明
\d	一个数字
\w	一个字母或数字
.	除换行符 \n 之外的任何单字符
*	0个或多个字符
+	一个或多个字符
?	0个或一个字符
{n}	n个字符
{n,m}	n-m个字符
\s	一个空白符（包括Tab、换行等）
\-	匹配 - 字符（转义）
[0-9a-zA-Z\_]	一个数字、字母或者下划线
[0-9a-zA-Z\_]+	至少由一个数字、字母或者下划线组成的字符串
[a-zA-Z\_][0-9a-zA-Z\_]*	Python合法的变量
(A丨B)	A或B
^	行的开头
$	行的结束

re模块正则匹配

import re

if re.match(r'^\d{3}\-\d{3,8}$', '010-12345'):
    print('ok')
else:
    print('failed')

切分字符串

>>> re.split(r'\s+', 'a b   c')
['a', 'b', 'c']

>>> re.split(r'[\s\,\;]+', 'a,b;; c  d')
['a', 'b', 'c', 'd']

分组

^(\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; span=(0, 9), match='010-12345'>

>>> m.group(0)
'010-12345'

>>> m.group(1)
'010'

>>> m.group(2)
'12345'

贪婪匹配

正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。如下，匹配出数字后面的0：

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('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：

>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

预编译正则表达式

在Python中使用正则表达式时，re模块内部会干两件事情：

1. 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；
2. 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很多次，出于效率的考虑，可以预编译该正则表达式，重复使用时就不需要编译可以直接匹配：

>>> 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')