3. 正则表达式
    5. 阅读: 195769
    6. 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。
    8. 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，我们就认为它"匹配"了，否则，该字符串就是不合法的。
    10. 所以我们判断一个字符串是否是合法的Email的方法是：
    12. 创建一个匹配Email的正则表达式；
    14. 用该正则表达式去匹配用户的输入来判断是否合法。
    16. 因为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描述字符。
    18. 在正则表达式中，如果直接给出字符，就是精确匹配。用\d可以匹配一个数字，\w可以匹配一个字母或数字，所以：
    20. '00\d'可以匹配'007'，但无法匹配'00A'；
    22. '\d\d\d'可以匹配'010'；
    24. '\w\w\d'可以匹配'py3'；
    26. .可以匹配任意字符，所以：
    28. 'py.'可以匹配'pyc'、'pyo'、'py!'等等。
    29. 要匹配变长的字符，在正则表达式中，用*表示任意个字符（包括0个），用+表示至少一个字符，用?表示0个或1个字符，用{n}表示n个字符，用{n,m}表示n-m个字符：
    31. 来看一个复杂的例子：\d{3}\s+\d{3,8}。
    33. 我们来从左到右解读一下：
    35. \d{3}表示匹配3个数字，例如'010'；
    37. \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；
    39. \d{3,8}表示3-8个数字，例如'1234567'。
    41. 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。
    43. 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}。
    45. 但是，仍然无法匹配'010 - 12345'，因为带有空格。所以我们需要更复杂的匹配方式。
    47. 进阶
    49. 要做更精确地匹配，可以用[]表示范围，比如：
    51. [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线；
    53. [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；
    55. [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；
    57. [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）。
    59. A|B可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'。
    61. ^表示行的开头，^\d表示必须以数字开头。
    63. $表示行的结束，\d$表示必须以数字结束。
    65. 你可能注意到了，py也可以匹配'python'，但是加上^py$就变成了整行匹配，就只能匹配'py'了。
    67. re模块
    69. 有了准备知识，我们就可以在Python中使用正则表达式了。Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：
    71. s = 'ABC\\-001' # Python的字符串
    72. # 对应的正则表达式字符串变成：
    73. # 'ABC\-001'
    74. 因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题了：
    76. s = r'ABC\-001' # Python的字符串
    77. # 对应的正则表达式字符串不变：
    78. # 'ABC\-001'
    79. 先看看如何判断正则表达式是否匹配：
    81. >>> import re
    82. >>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
    83. <_sre.SRE_Match object; span=(0, 9), match='010-12345'>
    84. >>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
    85. >>>
    86. match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。常见的判断方法就是：
    88. test = '用户输入的字符串'
    89. if re.match(r'正则表达式', test):
    90.    print('ok')
    91. else:
    92.    print('failed')
    93. 切分字符串
    95. 用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：
    97. >>> 'a b   c'.split(' ')
    98. ['a', 'b', '', '', 'c']
    99. 嗯，无法识别连续的空格，用正则表达式试试：
    101. >>> re.split(r'\s+', 'a b   c')
    102. ['a', 'b', 'c']
    103. 无论多少个空格都可以正常分割。加入,试试：
    105. >>> re.split(r'[\s\,]+', 'a,b, c  d')
    106. ['a', 'b', 'c', 'd']
    107. 再加入;试试：
    109. >>> re.split(r'[\s\,\;]+', 'a,b;; c  d')
    110. ['a', 'b', 'c', 'd']
    111. 如果用户输入了一组标签，下次记得用正则表达式来把不规范的输入转化成正确的数组。
    113. 分组
    115. 除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（Group）。比如：
    117. ^(\d{3})-(\d{3,8})$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：
    119. >>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
    120. >>> m
    121. <_sre.SRE_Match object; span=(0, 9), match='010-12345'>
    122. >>> m.group(0)
    123. '010-12345'
    124. >>> m.group(1)
    125. '010'
    126. >>> m.group(2)
    127. '12345'
    128. 如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。
    130. 注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。
    132. 提取子串非常有用。来看一个更凶残的例子：
    134. >>> t = '19:05:30'
    135. >>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
    136. >>> m.groups()
    137. ('19', '05', '30')
    138. 这个正则表达式可以直接识别合法的时间。但是有些时候，用正则表达式也无法做到完全验证，比如识别日期：
    140. '^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'
    141. 对于'2-30'，'4-31'这样的非法日期，用正则还是识别不了，或者说写出来非常困难，这时就需要程序配合识别了。
    143. 贪婪匹配
    145. 最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：
    147. >>> re.match(r'^(\d+)(0*)$', '102300').groups()
    148. ('102300', '')
    149. 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。
    151. 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：
    153. >>> re.match(r'^(\d+?)(0*)$', '102300').groups()
    154. ('1023', '00')
    155. 编译
    157. 当我们在Python中使用正则表达式时，re模块内部会干两件事情：
    159. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
    161. 用编译后的正则表达式去匹配字符串。
    163. 如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：
    165. >>> import re
    166. # 编译:
    167. >>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
    168. # 使用：
    169. >>> re_telephone.match('010-12345').groups()
    170. ('010', '12345')
    171. >>> re_telephone.match('010-8086').groups()
    172. ('010', '8086')
    173. 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。
    175. 小结
    177. 正则表达式非常强大，要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容，可以写一本厚厚的书了。如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。
    179. 练习
    181. 请尝试写一个验证Email地址的正则表达式。版本一应该可以验证出类似的Email：
    183. someone@gmail.com
    184. bill.gates@microsoft.com
    185. # -*- coding: utf-8 -*-
    186. import re
    188. def is_valid_email(addr):
    189.    return True
    191. # 测试:
    192. assert is_valid_email('someone@gmail.com')
    193. assert is_valid_email('bill.gates@microsoft.com')
    194. assert not is_valid_email('bob#example.com')
    195. assert not is_valid_email('mr-bob@example.com')
    196. print('ok')
    197. Run
    198. 版本二可以提取出带名字的Email地址：
    200. <Tom Paris> tom@voyager.org => Tom Paris
    201. bob@example.com => bob
    202. # -*- coding: utf-8 -*-
    203. import re
    205. def name_of_email(addr):
    206.    return None
    208. # 测试:
    209. assert name_of_email('<Tom Paris> tom@voyager.org') == 'Tom Paris'
    210. assert name_of_email('tom@voyager.org') == 'tom'
    211. print('ok')
    212. Run
    213. 参考源码
    215. regex.py