Python正则表达式完全指南：从基础匹配到高级应用

基础篇

在Python开发中，正则表达式的应用极为广泛，其核心优势在于能够进行高度灵活的字符串匹配，从而精准提取所需信息。初次接触正则表达式时，其强大的功能往往令人印象深刻。在实际工程项目中，开发者通常会频繁调用Python内置的re库来解决各类匹配相关的问题。

字符串是编程中最基础且使用频率最高的数据结构之一，对其进行处理的需求几乎贯穿所有应用场景。例如，验证电子邮件地址是否合法，虽然可以通过编程手动提取@符号前后的子串并分别判断是否为单词和域名，但这种方式不仅操作繁琐，而且代码复用性极差。

正则表达式是一种用于匹配字符串的强大工具。其设计哲学是使用一种描述性语言为字符串定义规则，凡是符合该规则的字符串即被视为“匹配”，反之则视为不合法。

因此，判断一个字符串是否为合法Email地址的逻辑步骤如下：

1. 构建用于匹配Email的正则表达式；

2. 使用该正则表达式对用户输入进行匹配测试，以判断其合法性。

由于正则表达式本身也是由字符串构成的，因此首先需要理解如何用字符来描述特定的字符模式。

在正则表达式中，直接给出字符即表示精确匹配。例如，使用\d可以匹配单个数字，\w可以匹配单个字母或数字，具体示例如下：

• '00\d' 可以匹配 '007' ，但无法匹配 '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，因此： • 'py.' 可以匹配 'pya' 、 'pyb' 、 'py!' 等等。

若要匹配长度可变的字符，在正则表达式中，使用 * 表示任意数量的字符（包括0个），使用 + 表示至少一个字符，使用 ? 表示0个或1个字符，使用 {n} 表示恰好n个字符，使用 {n,m} 表示n到m个字符：

来看一个较为复杂的例子： \d{3}\s+\d{3,8} 。

我们从左至右逐步解析该表达式：

1. \d{3} 表示匹配3个数字，例如 '010' ；

2. \s 可以匹配一个空格（也包括Tab等空白符），因此 \s+ 表示至少有一个空格，例如匹配 ' ' ， ' ' 等；

3. \d{3,8} 表示匹配3到8个数字，例如 '1234567' 。

综合上述规则，上面的正则表达式可以匹配以任意数量空格分隔且带有区号的电话号码格式。

如果要匹配 '010-12345' 这样的号码呢？由于 '-' 是正则中的特殊字符，需要使用 '\' 进行转义，因此上述正则表达式应调整为 \d{3}\-\d{3,8} 。

然而，上述表达式仍无法匹配 '010 - 12345'，因为其中包含空格。因此，我们需要采用更复杂的匹配策略。

强化篇

为了实现更精确的匹配，可以使用 [] 来表示字符范围，例如：

• [0-9a-zA-Z\_] 可以匹配一个数字、字母或者下划线；

• [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；

• [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，这正是Python合法变量的命名规则；

• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19} 更精确地限制了变量的长度在1到20个字符之间（前面1个字符+后面最多19个字符）。

A|B 可以匹配A或B，因此 (P|p)ython 可以匹配 'Python' 或者 'python' 。

^ 表示行的开头， ^\d 表示必须以数字开头。

$ 表示行的结束， \d$ 表示必须以数字结束。

你可能已经注意到，单纯的 py 也可以匹配 'python' 中的子串，但是加上 ^py$ 就变成了整行匹配，此时只能精确匹配 'py' 了。

re模块

具备上述基础知识后，我们就可以在Python中利用正则表达式了。Python提供了 re 模块，包含了所有正则表达式的功能。由于Python字符串本身也使用 \ 进行转义，因此需要特别注意转义字符的处理：

s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC\-001'

因此我们强烈建议使用Python的 r 前缀，这样就不必担心转义问题：

s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'

首先看看如何判断正则表达式是否匹配成功：

>>> 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() 方法用于判断是否匹配，如果匹配成功，返回一个 Match 对象，否则返回 None 。常见的判断方法如下：

test = '用户输入的字符串'
if re.match(r'正则表达式', test):
  print 'ok'
else:
  print 'failed'

切分字符串

使用正则表达式切分字符串比使用固定字符更加灵活，请看常规的切分代码示例：

>>> 'a b  c'.split(' ')
['a', 'b', '', '', 'c']

嗯，无法识别连续的空格，用正则表达式试试：

>>> re.split(r'\s+', 'a b  c')
['a', 'b', 'c']

无论多少个空格都可以正常分割。加入,试试：

>>> re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']

再加入;试试：

>>> re.split(r'[\s\,\;]+', 'a,b;; c d')
['a', 'b', 'c', 'd']

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。

分组

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。使用 () 表示的就是要提取的分组（Group）。比如：

^(\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：

 
>>> 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。

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。

提取子串非常有用。来看一个更复杂的例子：

>>> 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')

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： '^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'

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。

贪婪匹配

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 ：

>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')

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。

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')

编译

当我们在Python中使用正则表达式时，re模块内部会执行两件事情：

1.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；

2.用编译后的正则表达式去匹配字符串。

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再次编译，直接匹配：

>>> import re
# 编译:
>>> 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')

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。

小结

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。

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： someone@gmail.com Demonzjs93@gmail.com

总结一下python中常用的匹配符：

\w  可以匹配一个字母或者数字

\d  匹配数字

\d+ 可以匹配多个数字

\d+? 可以匹配一部分数字（一组）

^ 匹配行首

$  匹配行尾

^\d 第一个必须为数字

\d$ 最后一个必须为数字

\s  匹配一个空格

\d{3,8} 匹配3-8个数字

[0-9a-zA-Z\_] 可以匹配一个数字、字母或者下划线；

[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；

[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；

[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）。

.  匹配任意个字符 *  匹配任意个字符（包括0个） ？ 匹配0个或1个字符 + 匹配至少一个字符 {n}  n个字符 {n,m} n-m个字符

>>>'Demon is a good %s' % ('boy')
'Demon is a good boy'

只要可以熟料运用上面的匹配符，今后运用正则表达式可以做很多功能，当你动手做的时候就知道正则的强大了。