三十一、深入Python中的正則表達式

「@Author：Runsen」

正則表達式應用的場景也非常多。常見的比如：搜尋引擎的搜索、爬蟲結果的匹配、文本數據的提取等等都會用到，所以掌握甚至精通正則表達式是一個硬性技能，非常必要。

正則表達式

正則表達式是一個特殊的字符序列，由普通字符和元字符組成。元字符能幫助你方便的檢查一個字符串是否與某種模式匹配。

Python中則提供了強大的正則表達式處理模塊，即 re 模塊， 為Python的內置模塊。

下面，我帶大家來一個入門demo例子，代碼如下：

import re
reg_string = "hello9527python@wangcai.@!:xiaoqiang"
reg = "hello"
result = re.findall(reg,reg_string)
print(result)
這裡reg_string就是我們的普通字符，reg就是我們的元字符。
我們使用 re 模塊中的findall函數，進行匹配，返回的結果是列表數據類型。
我們使用正則表達式，就是為了在很長的字符串中，找到我們需要的字符串片段。
元字符
Python中常見元字符及其含義如下：
元字符含義.匹配除換行符以外的任意字符\w匹配數字字母下劃線漢字\s匹配任意空白符\d匹配所有的數字\b匹配單詞的開始或結束^匹配字符串的開始$匹配字符串的開始結束
下面，我們具體使用下Python中的常見的元字符。
我們還是使用上次的例子，這次我們需要在reg_string匹配出我們的數字，只需要將reg換成\d，代碼如下圖所示。
比如，我們在之前的reg的hello前面加上一個^，意味著我們 匹配字符串的開始的hello，那麼結果就是一個，就是我們開頭的hello。
如果，我們把reg換成\w，代碼如下圖所示。
這樣就是匹配數字字母下劃線，包括我們的漢字。
反義代碼
Python中常見反義代碼 及其含義如下：
反義代碼含義\W匹配任意不是數字字母下劃線漢字的字符\S匹配任意不是空白符的字符\D匹配非數字\B匹配不是單詞的開始或結束[^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
其實，記憶很簡單，我們是不是知道\d匹配數字，那麼\d的大寫\D就是匹配非數字，元字符[a]匹配a任意字符，那麼[^a]就是匹配除了a以外的任意字符。
下面是具體例子
>>> 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']
限定符
什麼是限定符？就是限定我們匹配的個數的東西。
Python中常見限定符 及其含義如下：
限定符含義*重複零次或多次+重複一次或多次？重複零次或一次{n}重複n次{n,}重複n次或更多次{n,m}重複n次到m次 {1，3}
我們還是用我們之前的reg_string，這次我們限定了元字符為\d{4}，也就是我們的匹配的數字必須是4個。
下面，我們來提高難度，匹配字母和數字，限定個數為4個。
這樣我們可以使用[0-9a-z]{4}，作為我們的元字符，[0-9a-z]代表了0到9的十個數字和a到z的小寫26個英文字母。[0-9a-z]{4}限定了個數為4個。
我們列印輸出下。
如果遇到了不是在[0-9a-z]範圍內，就會跳過，直到後面的4個都是在[0-9a-z]範圍內就列印輸出。
匹配ip地址
在網際網路中，一臺主機只有一個IP位址。IP位址用於在TCP/IP通信協議中標記每臺計算機的地址，通常用於十進位來表示，如192.168.1.100。
在window系統中，我們可以通過ipconfig查看我們的ip。在linux系統中，我們可以通過ifconfig查看我們的ip。
我們的ip字符串是這樣子的：ip = "this is ip:192.168.1.123 :172.138.2.15"
下面要求使用正則表達式，將ip匹配出來。
其實，我們主要編寫元字符。比如：reg = "\d{3}.\d+.\d+.\d+"，因為第一個數字必須是三位數開頭，我們可以設定\d{3}固定起來。
我們除了可以使用findall，還可以使用search，我們把元字符reg = "(\d{1,3}.){3}\d{1,3}"。
這元字符中的\d{1,3}.指定是我們ip前三個數字，後面加{3}就是重複3次。\d{1,3}指的就是我們ip最後一個數字。
但是search和findall是有區別的，search只能匹配第一個，我們需要使用列表取出第一個，而findall匹配所有。
組匹配
什麼是組匹配，比如說這裡邊我有一個字符串s = this is phone:[phone] and this is my postcode:012345，我需要你把手機號和驗證碼匹配出來。
因為，我們要匹配兩個，而已每個的元字符都是不一樣的。所以，我們需要分組匹配。
正則表達式的括號表示分組匹配，括號中的模式可以用來匹配分組的內容。
於是我們的元字符就變成：reg = this is phone:(\d{11}) and this is my postcode:(\d{6})
我們一般使用search進行分組匹配，上次我是不是說過search需要使用列表取出來，這裡的組匹配也是一樣，不過這裡用的是group()方法。group(1)代表了我們的手機號，group(2)代表了我們的驗證碼，而group(0)代表了我們的手機號和驗證碼，代碼如下圖所示。
在正則表達式中，除了findall和search用法，還有一個match用法。
match用法只匹配開頭的，也是需要group()取出來，下圖match的例子。
這是的re.I是忽略大小寫的意思。
貪婪與非貪婪
貪婪與非貪婪模式影響的是被量詞修飾的子表達式的匹配行為，貪婪模式在整個表達式匹配成功的前提下，儘可能多的匹配，而非貪婪模式在整個表達式匹配成功的前提下，儘可能少的匹配。
貪婪和非貪婪有幾個非常重要的操作符。
操作符含義*重複零次或更多次+重複一次或更多次？重複零次或一次
比如說這裡邊我有一個字符串reg_string = pythonnnnnnnnnpythonHelloPytho，我們先使用貪婪的模式下的元字符：reg = "python*"
貪婪模式下的reg = "python*"，意味著n重複零次或更多次。所以我們看到了第一關結果的pythonnnnnnnnn儘可能多的匹配。
下面使用非貪婪的模式下的元字符：reg = "python*?",reg = "python+?",reg = "python??"。
非貪婪模式下的reg = "python*"，意味著n零次或一次，所以我們沒有看到pythonnnnnnnnn的結果。
手機號碼驗證
首先，我們要知道我們的手機號碼是什麼開頭的？
移動手機號碼開頭有16個號段：134、135、136、137、138、139、147、150、151、152、157、158、159、182、187、188。
聯通手機號碼開頭有7種號段：130、131、132、155、156、185、186。
電信手機號碼開頭有4個號段：133、153、180、189。
這樣我們就可以在開頭做事情了，先判斷開頭是不是上面的號段，regex = "^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$"，就是我們的元字符，代碼如下：
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("匹配失敗")
        return False
cellphone = '13717378202'
checkCellphone(cellphone)


匹配成功
True
匹配郵箱合法性
下面，我們進行一個作業，就是來匹配我們的郵箱號碼。
作業的答案如下：

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,}[e-mail]$'
    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("匹配失敗")
            return False
email = '[e-mail]'
checkEmail(email)
正則表達式測試工具
打開開源中國提供的正則表達式測試工具 http://tool.oschina.net/regex/，輸入待匹配的文本，然後選擇常用的正則表達式，就可以得出相應的匹配結果了。
例如，輸入下面這段待匹配的文本：
Hello, my phone number is 123455678 and email is [e-mail], and my website is https://blog.csdn.net/weixin_44510615.
這段字符串中包含了一個電話號碼和一個電子郵件，接下來就嘗試用正則表達式提取出來，如圖所示。
在網頁右側選擇 「匹配 Email 地址」，就可以看到下方出現了文本中的 E-mail。如果選擇 「匹配網址 URL」，就可以看到下方出現了文本中的 URL。是不是非常神奇？
❝
本文已收錄 GitHub，傳送門~[1] ，裡面更有大廠面試完整考點，歡迎 Star。
❞