Python學(xué)習(xí)教程：使用正則表達(dá)式

正則表達(dá)式相關(guān)知識(shí)

在編寫處理字符串的程序或網(wǎng)頁時(shí)，經(jīng)常會(huì)有查找符合某些復(fù)雜規(guī)則的字符串的需要，正則表達(dá)式就是用于描述這些規(guī)則的工具，換句話說正則表達(dá)式是一種工具，它定義了字符串的匹配模式（如何檢查一個(gè)字符串是否有跟某種模式匹配的部分或者從一個(gè)字符串中將與模式匹配的部分提取出來或者替換掉）。如果你在Windows操作系統(tǒng)中使用過文件查找并且在指定文件名時(shí)使用過通配符（*和?），那么正則表達(dá)式也是與之類似的用來進(jìn)行文本匹配的工具，只不過比起通配符正則表達(dá)式更強(qiáng)大，它能更精確地描述你的需求（當(dāng)然你付出的代價(jià)是書寫一個(gè)正則表達(dá)式比打出一個(gè)通配符要復(fù)雜得多，要知道任何給你帶來好處的東西都是有代價(jià)的，就如同學(xué)習(xí)一門編程語言一樣），比如你可以編寫一個(gè)正則表達(dá)式，用來查找所有以0開頭，后面跟著2-3個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是7或8位數(shù)字的字符串（像028-12345678或0813-7654321），這不就是國內(nèi)的座機(jī)號(hào)碼嗎。最初計(jì)算機(jī)是為了做數(shù)學(xué)運(yùn)算而誕生的，處理的信息基本上都是數(shù)值，而今天我們在日常工作中處理的信息基本上都是文本數(shù)據(jù)，我們希望計(jì)算機(jī)能夠識(shí)別和處理符合某些模式的文本，正則表達(dá)式就顯得非常重要了。今天幾乎所有的編程語言都提供了對正則表達(dá)式操作的支持，Python通過標(biāo)準(zhǔn)庫中的re模塊來支持正則表達(dá)式操作。

我們可以考慮下面一個(gè)問題：我們從某個(gè)地方（可能是一個(gè)文本文件，也可能是網(wǎng)絡(luò)上的一則新聞）獲得了一個(gè)字符串，希望在字符串中找出手機(jī)號(hào)和座機(jī)號(hào)。當(dāng)然我們可以設(shè)定手機(jī)號(hào)是11位的數(shù)字（注意并不是隨機(jī)的11位數(shù)字，因?yàn)槟銢]有見過“25012345678”這樣的手機(jī)號(hào)吧）而座機(jī)號(hào)跟上一段中描述的模式相同，如果不使用正則表達(dá)式要完成這個(gè)任務(wù)就會(huì)很麻煩。

關(guān)于正則表達(dá)式的相關(guān)知識(shí)，大家可以閱讀一篇非常有名的博客叫《正則表達(dá)式30分鐘入門教程》，讀完這篇文章后你就可以看懂下面的表格，這是我們對正則表達(dá)式中的一些基本符號(hào)進(jìn)行的扼要總結(jié)。

說明： 如果需要匹配的字符是正則表達(dá)式中的特殊字符，那么可以使用\進(jìn)行轉(zhuǎn)義處理，例如想匹配小數(shù)點(diǎn)可以寫成\.就可以了，因?yàn)橹苯訉?會(huì)匹配任意字符；同理，想匹配圓括號(hào)必須寫成\(和\)，否則圓括號(hào)被視為正則表達(dá)式中的分組。

Python對正則表達(dá)式的支持

Python提供了re模塊來支持正則表達(dá)式相關(guān)操作，下面是re模塊中的核心函數(shù)。

說明： 上面提到的re模塊中的這些函數(shù)，實(shí)際開發(fā)中也可以用正則表達(dá)式對象的方法替代對這些函數(shù)的使用，如果一個(gè)正則表達(dá)式需要重復(fù)的使用，那么先通過compile函數(shù)編譯正則表達(dá)式并創(chuàng)建出正則表達(dá)式對象無疑是更為明智的選擇。

下面我們通過一系列的例子來告訴大家在Python中如何使用正則表達(dá)式。

例子1：驗(yàn)證輸入用戶名和QQ號(hào)是否有效并給出對應(yīng)的提示信息。

"""驗(yàn)證輸入用戶名和QQ號(hào)是否有效并給出對應(yīng)的提示信息要求：用戶名必須由字母、數(shù)字或下劃線構(gòu)成且長度在6~20個(gè)字符之間，QQ號(hào)是5~12的數(shù)字且首位不能為0"""import redef main():
    username = input('請輸入用戶名: ')
    qq = input('請輸入QQ號(hào): ')    # match函數(shù)的第一個(gè)參數(shù)是正則表達(dá)式字符串或正則表達(dá)式對象# 第二個(gè)參數(shù)是要跟正則表達(dá)式做匹配的字符串對象m1 = re.match(r'^[0-9a-zA-Z_]{6,20}$', username)    if not m1:        print('請輸入有效的用戶名.')
    m2 = re.match(r'^[1-9]\d{4,11}$', qq)    if not m2:        print('請輸入有效的QQ號(hào).')    if m1 and m2:        print('你輸入的信息是有效的!')if __name__ == '__main__':
    main()

提示： 上面在書寫正則表達(dá)式時(shí)使用了“原始字符串”的寫法（在字符串前面加上了r），所謂“原始字符串”就是字符串中的每個(gè)字符都是它原始的意義，說得更直接一點(diǎn)就是字符串中沒有所謂的轉(zhuǎn)義字符啦。因?yàn)檎齽t表達(dá)式中有很多元字符和需要進(jìn)行轉(zhuǎn)義的地方，如果不使用原始字符串就需要將反斜杠寫作\\，例如表示數(shù)字的\d得書寫成\\d，這樣不僅寫起來不方便，閱讀的時(shí)候也會(huì)很吃力。

例子2：從一段文字中提取出國內(nèi)手機(jī)號(hào)碼。

下面這張圖是截止到2017年底，國內(nèi)三家運(yùn)營商推出的手機(jī)號(hào)段。

import redef main():    # 創(chuàng)建正則表達(dá)式對象 使用了前瞻和回顧來保證手機(jī)號(hào)前后不應(yīng)該出現(xiàn)數(shù)字pattern = re.compile(r'(?<=\D)1[34578]\d{9}(?=\D)')
    sentence = '''    重要的事情說8130123456789遍，我的手機(jī)號(hào)是13512346789這個(gè)靚號(hào)，    不是15600998765，也是110或119，王大錘的手機(jī)號(hào)才是15600998765。    '''# 查找所有匹配并保存到一個(gè)列表中mylist = re.findall(pattern, sentence)    print(mylist)    print('--------華麗的分隔線--------')    # 通過迭代器取出匹配對象并獲得匹配的內(nèi)容for temp in pattern.finditer(sentence):        print(temp.group())    print('--------華麗的分隔線--------')    # 通過search函數(shù)指定搜索位置找出所有匹配m = pattern.search(sentence)    while m:        print(m.group())
        m = pattern.search(sentence, m.end())if __name__ == '__main__':
    main()

說明： 上面匹配國內(nèi)手機(jī)號(hào)的正則表達(dá)式并不夠好，因?yàn)橄?4開頭的號(hào)碼只有145或147，而上面的正則表達(dá)式并沒有考慮這種情況，要匹配國內(nèi)手機(jī)號(hào)，更好的正則表達(dá)式的寫法是：(?<=\D)(1[38]\d{9}|14[57]\d{8}|15[0-35-9]\d{8}|17[678]\d{8})(?=\D)，國內(nèi)最近好像有19和16開頭的手機(jī)號(hào)了，但是這個(gè)暫時(shí)不在我們考慮之列。

例子3：替換字符串中的不良內(nèi)容

import redef main():
    sentence = '你丫是傻叉嗎? 我操你大爺?shù)? Fuck you.'purified = re.sub('[操肏艸]|fuck|shit|傻[比屄逼叉缺吊屌]|煞筆',                      '*', sentence, flags=re.IGNORECASE)    print(purified)  # 你丫是*嗎? 我*你大爺?shù)? * you.if __name__ == '__main__':
    main()

說明： re模塊的正則表達(dá)式相關(guān)函數(shù)中都有一個(gè)flags參數(shù)，它代表了正則表達(dá)式的匹配標(biāo)記，可以通過該標(biāo)記來指定匹配時(shí)是否忽略大小寫、是否進(jìn)行多行匹配、是否顯示調(diào)試信息等。如果需要為flags參數(shù)指定多個(gè)值，可以使用按位或運(yùn)算符進(jìn)行疊加，如flags=re.I | re.M。

例子4：拆分長字符串

import redef main():
    poem = '窗前明月光，疑是地上霜。舉頭望明月，低頭思故鄉(xiāng)。'sentence_list = re.split(r'[，。, .]', poem)    while '' in sentence_list:
        sentence_list.remove('')    print(sentence_list)  # ['窗前明月光', '疑是地上霜', '舉頭望明月', '低頭思故鄉(xiāng)']if __name__ == '__main__':
    main()

后話

如果要從事爬蟲類應(yīng)用的開發(fā)，那么正則表達(dá)式一定是一個(gè)非常好的助手，因?yàn)樗梢詭椭覀冄杆俚膹木W(wǎng)頁代碼中發(fā)現(xiàn)某種我們指定的模式并提取出我們需要的信息，當(dāng)然對于初學(xué)者來收，要編寫一個(gè)正確的適當(dāng)?shù)恼齽t表達(dá)式可能并不是一件容易的事情（當(dāng)然有些常用的正則表達(dá)式可以直接在網(wǎng)上找找），所以實(shí)際開發(fā)爬蟲應(yīng)用的時(shí)候，有很多人會(huì)選擇Beautiful Soup或Lxml來進(jìn)行匹配和信息的提取，前者簡單方便但是性能較差，后者既好用性能也好，但是安裝稍嫌麻煩，這些內(nèi)容我們會(huì)在后期的爬蟲專題中為大家介紹。