Python实践：Python文本处理之正则表达式

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

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')

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。

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):
    # 
    # ([A-Za-z\s]+)，对以下模式字符串：仅含字母和空格的内容，分组提取到group1
    # ()，一个括号表示分一个组
    res = re.match(r'?', 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

1. 廖雪峰正则表达式博客，讲解清晰，简明易懂，入门必备：link
2. 好心人总结的进阶补充手册，概况全面：link
3. 菜鸟教程，体系化总结：link