深入Python中的正则表达式

正则表达式应用的场景也非常多。常见的比如：搜索引擎的搜索、爬虫结果的匹配、文本数据的提取等等都会用到，所以掌握甚至精通正则表达式是一个硬性技能，非常必要。

正则表达式

正则表达式是一个特殊的字符序列，由普通字符和元字符组成。元字符能帮助你方便的检查一个字符串是否与某种模式匹配。

Python中则提供了强大的正则表达式处理模块，即 re 模块， 为Python的内置模块。

下面，我带大家来一个入门demo例子，代码如下：

import re
reg_string = "hello9527python@wangcai.@!:xiaoqiang"
reg = "hello"
result = re.findall(reg,reg_string)
print(result)
复制代码

这里reg_string就是我们的普通字符，reg就是我们的元字符。

我们使用 re 模块中的findall函数，进行匹配，返回的结果是列表数据类型。

我们使用正则表达式，就是为了在很长的字符串中，找到我们需要的字符串片段。

元字符

Python中常见元字符及其含义如下：

元字符	含义
.	匹配除换行符以外的任意字符
\w	匹配数字字母下划线汉字
\s	匹配任意空白符
\d	匹配所有的数字
\b	匹配单词的开始或结束
^	匹配字符串的开始
$	匹配字符串的开始结束
下面，我们具体使用下Python中的常见的元字符。

我们还是使用上次的例子，这次我们需要在reg_string匹配出我们的数字，只需要将reg换成\d，代码如下图所示。

比如，我们在之前的reg的hello前面加上一个^，意味着我们 匹配字符串的开始的hello，那么结果就是一个，就是我们开头的hello。

如果，我们把reg换成\w，代码如下图所示。

这样就是匹配数字字母下划线，包括我们的汉字。

反义代码

Python中常见反义代码 及其含义如下：

反义代码	含义
\W	匹配任意不是数字字母下划线汉字的字符
\S	匹配任意不是空白符的字符
\D	匹配非数字
\B	匹配不是单词的开始或结束
[^a]	匹配除了a以外的任意字符
[^abcd]	匹配除了abcd以外的任意字符

其实，记忆很简单，我们是不是知道\d匹配数字，那么\d的大写\D就是匹配非数字，元字符[a]匹配a任意字符，那么[^a]就是匹配除了a以外的任意字符。

下面是具体例子

>>> import re
>>> reg_string = "hello9527python@wangcai.@!:xiaoqiang"
>>> reg = "\D"
>>> re.findall(reg,reg_string)
['h', 'e', 'l', 'l', 'o', 'p', 'y', 't', 'h', 'o', 'n', '@', 'w', 'a', 'n', 'g', 'c', 'a', 'i', '.', '@', '!', ':', 'x', 'i', 'a', 'o', 'q', 'i', 'a', 'n', 'g']
>>> reg = "[^a-p]"
['9', '5', '2', '7', 'y', 't', '@', 'w', '.', '@', '!', ':', 'x', 'q']
复制代码

限定符

什么是限定符？就是限定我们匹配的个数的东西。

Python中常见限定符 及其含义如下：

限定符	含义
*	重复零次或多次
+	重复一次或多次
？	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n次到m次 {1，3}

我们还是用我们之前的reg_string，这次我们限定了元字符为\d{4}，也就是我们的匹配的数字必须是4个。

下面，我们来提高难度，匹配字母和数字，限定个数为4个。

这样我们可以使用[0-9a-z]{4}，作为我们的元字符，[0-9a-z]代表了0到9的十个数字和a到z的小写26个英文字母。[0-9a-z]{4}限定了个数为4个。

我们打印输出下。

如果遇到了不是在[0-9a-z]范围内，就会跳过，直到后面的4个都是在[0-9a-z]范围内就打印输出。

匹配ip地址

在互联网中，一台主机只有一个IP地址。IP地址用于在TCP/IP通信协议中标记每台计算机的地址，通常用于十进制来表示，如192.168.1.100。

在window系统中，我们可以通过ipconfig查看我们的ip。在linux系统中，我们可以通过ifconfig查看我们的ip。

我们的ip字符串是这样子的：ip = "this is ip:192.168.1.123 :172.138.2.15"

下面要求使用正则表达式，将ip匹配出来。

其实，我们主要编写元字符。比如：reg = "\d{3}.\d+.\d+.\d+"，因为第一个数字必须是三位数开头，我们可以设定\d{3}固定起来。

reg = "(\d{1,3}.){3}\d{1,3}"。

这元字符中的\d{1,3}.指定是我们ip前三个数字，后面加{3}就是重复3次。\d{1,3}指的就是我们ip最后一个数字。

但是search和findall是有区别的，search只能匹配第一个，我们需要使用列表取出第一个，而findall匹配所有。

组匹配

什么是组匹配，比如说这里边我有一个字符串s = this is phone:13888888888 and this is my postcode:012345，我需要你把手机号和验证码匹配出来。

因为，我们要匹配两个，而已每个的元字符都是不一样的。所以，我们需要分组匹配。

正则表达式的括号表示分组匹配，括号中的模式可以用来匹配分组的内容。

于是我们的元字符就变成：reg = this is phone:(\d{11}) and this is my postcode:(\d{6})

我们一般使用search进行分组匹配，上次我是不是说过search需要使用列表取出来，这里的组匹配也是一样，不过这里用的是group()方法。group(1)代表了我们的手机号，group(2)代表了我们的验证码，而group(0)代表了我们的手机号和验证码，代码如下图所示。

在正则表达式中，除了findall和search用法，还有一个match用法。

match用法只匹配开头的，也是需要group()取出来，下图match的例子。

这是的re.I是忽略大小写的意思。

贪婪与非贪婪

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为，贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配，而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配。

贪婪和非贪婪有几个非常重要的操作符。

操作符	含义
*	重复零次或更多次
+	重复一次或更多次
？	重复零次或一次

比如说这里边我有一个字符串reg_string = pythonnnnnnnnnpythonHelloPytho，我们先使用贪婪的模式下的元字符：reg = "python*"

贪婪模式下的reg = "python*"，意味着n重复零次或更多次。所以我们看到了第一关结果的pythonnnnnnnnn尽可能多的匹配。

下面使用非贪婪的模式下的元字符：reg = "python*?",reg = "python+?",reg = "python??"。

非贪婪模式下的reg = "python*"，意味着n零次或一次，所以我们没有看到pythonnnnnnnnn的结果。

手机号码验证

首先，我们要知道我们的手机号码是什么开头的？

移动手机号码开头有16个号段：134、135、136、137、138、139、147、150、151、152、157、158、159、182、187、188。

联通手机号码开头有7种号段：130、131、132、155、156、185、186。

电信手机号码开头有4个号段：133、153、180、189。

这样我们就可以在开头做事情了，先判断开头是不是上面的号段， regex = "^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$"，就是我们的元字符，代码如下：

import re

def checkCellphone(cellphone):
    regex = "^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$"
    result = re.findall(regex,cellphone)
    if result:
        print("匹配成功")
        return True
    else:
        print("匹配失败")
        return False
cellphone = '13717378202'
checkCellphone(cellphone)

匹配成功
True
复制代码

匹配邮箱合法性

下面，我们进行一个作业，就是来匹配我们的邮箱号码。

作业的答案如下：

import re

def checkEmail(email):

    regex_1 = '^(\w+)@sina.com$'
    regex_2 = '^(\w+)@sina.com.cn$'
    regex_3 = '^(\w+)@163.com$'
    regex_4 = '^(\w+)@126.com$'
    regex_5 = '^[1-9][0,9]{4,}+@qq.com$'
    regex = [regex_1 ,regex_2 ,regex_3, regex_4, regex_5]
    for i in  regex:
        result = re.findall(i,email)
        if result:
            print("匹配成功")
            return True
        else:
            print("匹配失败")
            return False
email = 'sdjflsdjkl@sina.com'
checkEmail(email)
复制代码

正则表达式测试工具

打开开源中国提供的正则表达式测试工具 tool.oschina.net/regex/，输入待匹…

例如，输入下面这段待匹配的文本：

Hello, my phone number is 123455678 and email is runsen@qq.com, and my website is https://blog.csdn.net/weixin_44510615.
复制代码

这段字符串中包含了一个电话号码和一个电子邮件，接下来就尝试用正则表达式提取出来，如图所示。

在网页右侧选择 “匹配 Email 地址”，就可以看到下方出现了文本中的 E-mail。如果选择 “匹配网址 URL”，就可以看到下方出现了文本中的 URL。是不是非常神奇？