Python正则表达式RE

正则表达式是一些由字符串和特殊字符组成的字符串，它用一种描述性的语言来给字符串定义一个规则，这个规则模式可以用来匹配一系列具有相似特征的字符串，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。

正则表达式常用的特殊符号和字符
Python字符串中特殊字符需要使用'\'进行转义，而使用Python的r前缀，可以不用考虑转义的问题，所以建议使用r前缀

正则表达式	说明	正则表达式举例	匹配的字符串举例
直接给出字符	精确匹配	"foo"	"foo"，"food"
.	匹配除换行符之外的 任意字符
\d	匹配一个数字
\w	匹配一个字母或者数字
\s	匹配任何空白符	\s	" "
^	匹配开头	^Dear	"Dear Mr"
$	匹配结尾	.py$	"test.py"
*	匹配前面的正则表达式零次或者多次	a\d*	"a","a78"
+	匹配前面的 正则表达式一次或者多次	a\d+	"a3","a22"
？	匹配前面的 正则表达式零次或者一次	a\d?	"a","a4"
{N}	匹配前面的正则表达式N次	a\d{3}	"a245"
{N,M}	匹配前面的正则表达式N到M次	a\d{3,8}	"a12345"
[...]	匹配中括号中的任意一个字符	[3fod]	"3","f","o","d"
[x-y]	匹配x到y中的任意一个字符	[0-9a-zA-Z]	任意一个数字或者字母
[^...]	不匹配中括号中的任何字符	[^0-9]	非数字字符
x|y	匹配x或者y	foo|bar	"foo","bar"

re模块常用函数介绍
match(Pattern,String) 用正则表达式Pattern匹配字符串String，如果匹配成功，则返回一个Match对象，否则返回None>>> import re
>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
None

match()函数尝试从String的开头开始进行匹配
>>print(re.match(r'foo','food'))
<_sre.SRE_Match object; span=(0, 3), match='foo'>
>>print(re.match(r'foo','goodfood'))
None

search(Pattern,String) 在String中查找Pattern匹配的第一次出现，如果匹配成功则返回一个匹配对象，否则返回None
search()函数并不是从开头处匹配，而是从左到右进行搜索
>>print(re.search(r'foo','seafood'))
<_sre.SRE_Match object; span=(4, 7), match='foo'>

findall(Pattern,String) 在String中查找Pattern匹配的所有非重复出现，返回匹配对象的列表
>>re.findall(r'\d+','age is 25, number is 923')
['25', '923']

sub(Pattern,Repl,String)把String中所有匹配Pattern的地方替换成字符串Repl
>>re.sub(r'\s+','-','010 1234  5678')
010-1234-5678

split(Pattern,String)根据Pattern中的分隔符把String分隔成一个列表并返回这个列表

普通的切片，不能识别连续的空格
>>> 'a b   c'.split(' ')
['a', 'b', '', '', 'c'] 

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

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

提取分组
除了判断是否匹配之外，还经常需要从字符串中提取出匹配的子串，这就用到了正则表达式的分组功能。
正则表达式中一个()表示一个要提取的分组
比如^(\d{3})-(\d{3,8})$分别定义了两个组，分别可以用group(1)和group(2)提取，group(0)用于提取完整的匹配字符串，groups()返回子组的集合
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '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'
>>> m.groups()
('010', '12345')
贪婪匹配
正则表达式默认采用贪婪匹配，也就是匹配尽可能多的字符。
>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')
(\d+)尽可能多的匹配字符，所以将后面的0全部匹配，导致(0*)没有匹配到任何字符。
必须让(\d+)采用非贪婪匹配，也就是尽可能少的匹配字符，(0*)才能将0匹配出来。
\d+后面加上一个？就表示采用非贪婪匹配，？是非贪婪操作符，可以用在“*”,“+”，“？”的后面。
>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')

参考资料：