題記
本文介紹了Python對于正則表達式的支持，包括正則表達式基礎以及Python正則表達式標準庫的完整介紹及使用示例。
正則表達式在很多的應用中都有使用到，特別是在網絡爬蟲中格式化html后取出自己需要的屬性，在字符串的匹配和查找中也有很多的應用。
本文主要使用python對正則表達式進行說明，并配合合適的代碼。
如何匹配手機號碼
正則表達式的規則，一開始看的時候，會感覺規則太多太亂，毫無規律可尋，看完了幾個例子以后，慢慢的發現一些常用的表達式以后，寫起后面的規則就容易得多了。
這里以如何匹配手機電話號碼為例子
最簡單的手機規律為11個數字，正則表達式為：
\d{11}
這樣我們就認為凡事字符串中有11位數字就認為是手機號碼，但是現實中還有另外一些規則，12345678912這也是11個數字，但是我們現在并不會認為他是手機號碼，所以進一步的把規則寫細了。
我們還可以進一步的細分為，13x開頭，14x開頭，17(13678)開頭，18x開頭，后面再帶8位的數字，還有另一種情況是170的情況，其中第四位為[0589]中的一個數，再帶7位數字。
表達式可以寫為：
(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}
正則表達式語法
我們剛才用到的\d 在正則表達式中，代表著數字的意思，還可以用[0-9]來表示一個數字。語法比較多，但是常用的并不是很多，圖中表示的是常見的語法。
字符串匹配：
| 語法 | 含義 |
| -------- | :-----: |
| \d | 數字 |
| \D | 非數字 |
| \s | 空白符 |
| \S | 非空白符 |
| \w | 單詞字符 |
| \W | 非單詞字符 |
數量匹配：
| 語法 | 含義 |
| -------- | :-----: |
| * | 匹配前面字符0次到無限次 |
| + | 匹配前面字符1次到無限次 |
| ？ | 匹配前面字符0到1次 |
|{m} | 匹配前面字符m次 |
| {m,n} | 匹配前面字符m到n次 |
匹配邊界：
| 語法 | 含義 |
| -------- | :-----: |
| ^ | 匹配字符串開頭 |
| $ | 匹配字符串末尾 |
圖中的表達式都有專門的例子介紹，可以大概的看看，需要用到的時候在專門來進行查詢。
python中的re模塊
在python中，有專門的模塊來負責正則表達式，就是re模塊。
字符串是否匹配規則
比如在用戶注冊里，我們要求用戶輸入的手機號碼，符合手機號碼的規律，可以用正則表達式來限制。
查看字符串中
是否有符合要求的字符串，還是以剛才的手機號碼為例：
import re
str = '15259340987'
# 將正則表達式編譯成Pattern對象
pattern = re.compile('152\d{8}')
# 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None
match = pattern.match(str)
if match:
# 使用Match獲得分組信息
print match.group()
這里可以看出正則表達式，用的是
re.compile('152\d{8}')
這個表達式比
(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}
是嚴格非常多的，他只匹配，152開頭的手機號碼，當然表達式可以根據你自己的需要來選擇，這里只是給一個實例。
找出所有符合規則的字符串
在網頁爬蟲中，我們需要找出網頁的說有鏈接，用正則匹配就非常容易做到，查看網頁源代碼中的html，帶有網頁鏈接的代碼為
href="http://tech.sina.com.cn/t/2017-08-17/doc-ifykcppx8531845.shtml"
正則表達式可以寫成：
href="(.*?)"
python代碼為：
import re
str = ''
# 匹配
links = re.findall('href="(.*?)"', str)
for link in links:
print link
# 輸出為：
# http://tech.sina.com.cn/t/2017-08-17/doc-ifykcppx8531845.shtml
找出了所有需要的鏈接。
re模塊中重要的接口
- re.compile(pattern, flags=0)
這個方法是Pattern類的工廠方法，用于將字符串形式的正則表達式編譯為Pattern對象。 第二個參數flag是匹配模式，取值可以使用按位或運算符'|'表示同時生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。
語句
prog = re.compile(pattern)
result = prog.match(string)
和
result = re.match(pattern, string)
等價，第二種寫法較為方便。
- re.search(pattern, string, flags=0)
這個方法用于查找字符串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1后重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。
pos和endpos的默認值分別為0和len(string))；re.search()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
- re.match(pattern, string, flags=0)
這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
pos和endpos的默認值分別為0和len(string)；re.match()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
注意：這個方法并不是完全匹配。當pattern結束時若string還有剩余字符，仍然視為成功。想要完全匹配，可以在表達式末尾加上邊界匹配符'$'。
- re.split(pattern, string, maxsplit=0, flags=0)
按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數，不指定將全部分割。
- re.findall(pattern, string, flags=0)
搜索string，以列表形式返回全部能匹配的子串。
- re.sub(pattern, repl, string, count=0, flags=0)
使用repl替換string中每一個匹配的子串后返回替換后的字符串。
當repl是一個字符串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。
當repl是一個方法時，這個方法應當只接受一個參數（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。
count用于指定最多替換次數，不指定時全部替換。
常用的正則表達式語句
- 匹配郵箱：\w[-\w.+]*@([A-Za-z0-9][-A-Za-z0-9]+\.)+[A-Za-z]{2,14}
- 匹配中文：[\u4e00-\u9fa5]
- 匹配IP（IPV4）：(\d+)\.(\d+)\.(\d+)\.(\d+)
- 匹配身份證：\d{15}|\d{17}[0-9Xx]
- 匹配手機號：(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}
正則表達式工具
正則表達式語法比較復雜，開始沒有經驗的話，調試起來比較麻煩，現在網上有很多的正則表達式工具，能幫助我們快速的進行試驗。有客戶端的工具也有web工具，用起來都較為方便。
用的較多的是RegexBuddy這一款工具，如圖，他可以自動的生成各種語言版本的正則表達式的例子：
如下
posted on 2018-01-12 15:13
漂漂 閱讀(233)
評論(0) 編輯 收藏 引用