字符串是編程時涉及到的最多的一種數據結構，對字符串進行操作的需求幾乎無處不在。比如判斷一個字符串是否是合法的Email地址，雖然可以編程提取@前后的子串，再分別判斷是否是單詞和域名，但這樣做不但麻煩，而且代碼難以復用。
正則表達式是一種用來匹配字符串的強有力的武器。它的設計思想是用一種描述性的語言來給字符串定義一個規則，凡是符合規則的字符串，我們就認為它“匹配”了，否則，該字符串就是不合法的。
所以我們判斷一個字符串是否是合法的Email的方法是：
- 創建一個匹配Email的正則表達式；
- 用該正則表達式去匹配用戶的輸入來判斷是否合法。
因為正則表達式也是用字符串表示的，所以，我們要首先了解如何用字符來描述字符。
在正則表達式中，如果直接給出字符，就是精確匹配。用\d可以匹配一個數字，\w可以匹配一個字母或數字，所以：
- '00\d'可以匹配'007'，但無法匹配'00A'；
- '\d\d\d'可以匹配'010'；
- '\w\w\d'可以匹配'py3'；
.可以匹配任意字符，所以：
'py.'可以匹配'pyc'、'pyo'、'py!'等等。
要匹配變長的字符，在正則表達式中，用*表示任意個字符（包括0個），用+表示至少一個字符，用?表示0個或1個字符，用{n}表示n個字符，用{n,m}表示n-m個字符：
來看一個復雜的例子：\d{3}\s+\d{3,8}。
我們來從左到右解讀一下：
- \d{3}表示匹配3個數字，例如'010'；
- \s可以匹配一個空格（也包括Tab等空白符），所以\s+表示至少有一個空格，例如匹配' '，' '等；
- \d{3,8}表示3-8個數字，例如'1234567'。
綜合起來，上面的正則表達式可以匹配以任意個空格隔開的帶區號的電話號碼。
如果要匹配'010-12345'這樣的號碼呢？由于'-'是特殊字符，在正則表達式中，要用'\'轉義，所以，上面的正則是\d{3}\-\d{3,8}。
但是，仍然無法匹配'010 - 12345'，因為帶有空格。所以我們需要更復雜的匹配方式。
進階
要做更精確地匹配，可以用[]表示范圍，比如：
- [0-9a-zA-Z\_]可以匹配一個數字、字母或者下劃線；
- [0-9a-zA-Z\_]+可以匹配至少由一個數字、字母或者下劃線組成的字符串，比如'a100'，'0_Z'，'Py3000'等等；
- [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下劃線開頭，后接任意個由一個數字、字母或者下劃線組成的字符串，也就是Python合法的變量；
- [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精確地限制了變量的長度是1-20個字符（前面1個字符+后面最多19個字符）。
A|B可以匹配A或B，所以[P|p]ython可以匹配'Python'或者'python'。
^表示行的開頭，^\d表示必須以數字開頭。
$表示行的結束，\d$表示必須以數字結束。
你可能注意到了，py也可以匹配'python'，但是加上^py$就變成了整行匹配，就只能匹配'py'了。
re模塊
有了準備知識，我們就可以在Python中使用正則表達式了。Python提供re模塊，包含所有正則表達式的功能。由于Python的字符串本身也用\轉義，所以要特別注意：
|
1
2
3
|
s = 'ABC\\-001' # Python的字符串# 對應的正則表達式字符串變成：# 'ABC\-001' |
因此我們強烈建議使用Python的r前綴，就不用考慮轉義的問題了：
|
1
2
3
|
s = r'ABC\-001' # Python的字符串# 對應的正則表達式字符串不變：# 'ABC\-001' |
先看看如何判斷正則表達式是否匹配：
|
1
2
3
4
5
|
>>> import re>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')<_sre.SRE_Match object at 0x1026e18b8>>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')>>> |
match()方法判斷是否匹配，如果匹配成功，返回一個Match對象，否則返回None。常見的判斷方法就是：
|
1
2
3
4
5
|
test = '用戶輸入的字符串'if re.match(r'正則表達式', test): print 'ok'else: print 'failed' |
切分字符串
用正則表達式切分字符串比用固定的字符更靈活，請看正常的切分代碼：
|
1
2
|
>>> 'a b c'.split(' ')['a', 'b', '', '', 'c'] |
嗯，無法識別連續的空格，用正則表達式試試：
|
1
2
|
>>> re.split(r'\s+', 'a b c')['a', 'b', 'c'] |
無論多少個空格都可以正常分割。加入,試試：
|
1
2
|
>>> re.split(r'[\s\,]+', 'a,b, c d')['a', 'b', 'c', 'd'] |
再加入;試試：
|
1
2
|
>>> re.split(r'[\s\,\;]+', 'a,b;; c d')['a', 'b', 'c', 'd'] |
如果用戶輸入了一組標簽，下次記得用正則表達式來把不規范的輸入轉化成正確的數組。
分組
除了簡單地判斷是否匹配之外，正則表達式還有提取子串的強大功能。用()表示的就是要提取的分組（Group）。比如：
^(\d{3})-(\d{3,8})$分別定義了兩個組，可以直接從匹配的字符串中提取出區號和本地號碼：
|
1
2
3
4
5
6
7
8
9
|
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')>>> m<_sre.SRE_Match object at 0x1026fb3e8>>>> m.group(0)'010-12345'>>> m.group(1)'010'>>> m.group(2)'12345' |
如果正則表達式中定義了組，就可以在Match對象上用group()方法提取出子串來。
注意到group(0)永遠是原始字符串，group(1)、group(2)……表示第1、2、……個子串。
提取子串非常有用。來看一個更兇殘的例子：
|
1
2
3
4
|
>>> t = '19:05:30'>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)>>> m.groups()('19', '05', '30') |
這個正則表達式可以直接識別合法的時間。但是有些時候，用正則表達式也無法做到完全驗證，比如識別日期：
|
1
|
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$' |
對于'2-30'，'4-31'這樣的非法日期，用正則還是識別不了，或者說寫出來非常困難，這時就需要程序配合識別了。
貪婪匹配
最后需要特別指出的是，正則匹配默認是貪婪匹配，也就是匹配盡可能多的字符。舉例如下，匹配出數字后面的0：
|
1
2
|
>>> re.match(r'^(\d+)(0*)$', '102300').groups()('102300', '') |
由于\d+采用貪婪匹配，直接把后面的0全部匹配了，結果0*只能匹配空字符串了。
必須讓\d+采用非貪婪匹配（也就是盡可能少匹配），才能把后面的0匹配出來，加個?就可以讓\d+采用非貪婪匹配：
|
1
2
|
>>> re.match(r'^(\d+?)(0*)$', '102300').groups()('1023', '00') |
編譯
當我們在Python中使用正則表達式時，re模塊內部會干兩件事情：
- 編譯正則表達式，如果正則表達式的字符串本身不合法，會報錯；
- 用編譯后的正則表達式去匹配字符串。
如果一個正則表達式要重復使用幾千次，出于效率的考慮，我們可以預編譯該正則表達式，接下來重復使用時就不需要編譯這個步驟了，直接匹配：
|
1
2
3
4
5
6
7
8
|
>>> import re# 編譯:>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')# 使用：>>> re_telephone.match('010-12345').groups()('010', '12345')>>> re_telephone.match('010-8086').groups()('010', '8086') |
編譯后生成Regular Expression對象，由于該對象自己包含了正則表達式，所以調用對應的方法時不用給出正則字符串。
小結
正則表達式非常強大，要在短短的一節里講完是不可能的。要講清楚正則的所有內容，可以寫一本厚厚的書了。如果你經常遇到正則表達式的問題，你可能需要一本正則表達式的參考書。
請嘗試寫一個驗證Email地址的正則表達式。版本一應該可以驗證出類似的Email：
|
1
2
3
|
someone@gmail.combill.gates@microsoft.comTry |
版本二可以驗證并提取出帶名字的Email地址：
|
1
|
<Tom Paris> tom@voyager.org |
