在Python中使用正则表达式的一些基本语法演示

每当你遇到文本处理问题时，正则表达式（regex）总是你的好朋友。 然而，要记住所有复杂的规则是很难的甚至是不可能的。甚至仅仅阅读语法也是令人不知所措的。

因此，学习正则表达式的最佳方法是通过学习实际示例。 本文将总结日常编程场景中常用的 9 个正则表达式技巧。阅读完后，正则表达式对你来说就像喝杯茶一样简单。

验证电子邮件地址

检查电子邮件地址的有效性是正则表达式的经典用例。 下面是一个示例程序：

import re
def val_email(email):
    pattern = r"^[a-zA-Z0-9]+@[a-zA-Z0-9]+.[a-zA-Z]{2,}$"
    if re.match(pattern, email):
        print("合法的邮件地址:)")
    else:
        print("无效的邮件地址!!")


val_email(email="[e-mail]")
# 合法的邮件地址:)
val_email(email="elonexample.com")
# 无效的邮件地址!!
val_email(email="elon@example.c")
# 无效的邮件地址!!

在这个例子中，我们使用 Python 中的 re 模块来编译一个匹配有效电子邮件格式的正则表达式模式。然后，我们使用它的 match() 函数来检查 email 变量是否与模式匹配。 在模式中，有几个关键点：

我们使用 [] 表示一个范围。例如，[a-zA-Z0-9] 可以匹配 0 到 9 之间的数字、A 到 Z 之间的字母或 a 到 z 之间的字母。

^ 表示行的开头。在我们的例子中，我们使用它来确保文本必须以 [a-zA-Z0-9] 开始。

$ 表示行的结尾。

用于转义特殊字符（允许我们匹配像 '.' 这样的字符）。

{n,m} 语法是用来匹配 n-m 个先前的正则表达式。我们使用了 {2,}，这意味着前面的部分 [a-zA-Z] 应该至少重复 2 次。这就是为什么 "elon@example.c" 被识别为无效的电子邮件地址。

表示匹配前面的正则表达式至少 1 次。例如，ab+ 将匹配 a 后面的任何非零数量的 b。

这个经典的例子演示了在 Python 中使用正则表达式的一些基本语法。 实际上，Python 的 re 模块是一个隐藏的宝藏，我们可以从中使用许多更多的技巧。

从字符串中提取数字

要从长文本中找到一些特殊字符，最直接的想法是使用 for 循环遍历所有字符并找到所需的内容。 但是，没有必要使用任何循环。正则表达式就是为了作为过滤器而生的。

import re


def extract_numbers(text):
    pattern = r"d+"
    return re.findall(pattern, text)


print(extract_numbers("Linux迷的文章阅读量超过100000000。"))
# ['100000000']

如上所示，re.findall() 函数接收一个正则表达式和一个文本，可以方便地帮助我们找到所有我们需要的字符。 其中 d 用于在正则表达式中匹配数字。 接下来我们看一个具体例子，演示 d 的用途。

验证电话号码

下面的例子利用了 d 的用法来验证有效的电话号码：

import re


def is_valid_phone_number(phone_number):
    pattern = r"^d{3}-d{3}-d{4}$"
    return bool(re.match(pattern, phone_number))


print(is_valid_phone_number("123-456-7890"))  # True
print(is_valid_phone_number("1234567890"))  # False

除了 d 外，我们还使用了 ^、$ 和 {n} 语法来确保字符串是一个有效的电话号码。

将文本分割成单词

将长文本分割成单独的单词是日常编程中的另一个常见需求。借助 re 模块的 split() 函数，我们可以轻松完成此任务：

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


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


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

如上述代码所示，我们使用 s 来在正则表达式中匹配一个空格。

使用正则表达式查找和替换文本

在使用正则表达式从文本中找到特定字符后，我们可能需要用新的字符串来替换它们。 re 模块的 sub() 函数可以使这个过程变得非常顺畅：

import re


text = "linuxmi is an full-stack software engineer."
pattern = r"[a-e]"
replacement = "*"


new_text = re.sub(pattern, replacement, text)
print(new_text)  
#linuxmi is *n full-st**k softw*r* *ngin**r.

如上所示，我们只需要将三个参数传递给sub()函数：模式、替换字符串和原始文本。它将在执行后返回新文本。

在Python中预编译正则表达式

在Python中使用正则表达式匹配字符串时，有两个步骤： 编译正则表达式。使用编译后的正则表达式匹配字符串。因此，如果一个正则表达式被重复使用，每次编译都会浪费时间。 为了避免这种情况，Python允许我们预先编译一个正则表达式，然后重复使用编译后的对象进行后续匹配。这可以显著提高性能和效率。

import re
re_numbers = re.compile(r'^d+$')
print(re_numbers.match('123'))
# 
print(re_numbers.match('linuxmi'))
# None

上面的例子展示了如何使用re模块中的compile()函数预编译正则表达式并稍后使用它。只要字符串无法匹配正则表达式，match()函数就会返回None。

提取和操作文本的子内容

group()方法是Python re模块中的一个函数，它返回一个或多个匹配的正则表达式匹配对象的子组。它非常方便，用于提取文本的不同部分。 例如，以下代码展示了如何从“HH:MM”格式的时间字符串中提取两个部分：

import re


time='21:37'


matched = re.match(r'^(0[0-9]|1[0-9]|2[0-3]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9])$', time)


print(matched.groups())
# ('21', '37')
print(matched.group())
# '21:37' 
print(matched.group(0)) 
# '21:37'
print(matched.group(1))
# '21'
print(matched.group(2))
# '37'

如上所示，group(0) 返回原始字符串。然后，group(1) 和 group(2) 分别返回匹配字符串的第一部分和第二部分。

用于提取子内容的命名分组

如果子组数量变得很多，由于太多的神奇数字，程序将很难阅读。 因此，Python 提供了用于子内容提取的命名组技巧：我们可以使用命名组捕获匹配字符串的特定部分，而不是使用编号的捕获组。这可以使我们的代码更易于阅读和维护。 以下是一个例子：

import re


text = "linuxmi, age 27"
pattern = r"(?Pw+),sages(?Pd+)"


match = re.search(pattern, text)


print(match.group("name"))  
# linuxmi
print(match.group("age"))   
# 27

如上所示，命名分组的关键语法是 ?P。它定义了对应组的名称，我们可以使用 group() 函数根据名称提取内容。

使用VERBOSE标志使正则表达式易读

在一些复杂的情况下，正则表达式可能会变得越来越复杂和难以读取。我们肯定需要一种方法来使其更整洁和干净。 这就是re.VERBOSE技巧。

import re


text = "linuxmi, [e-mail], 666-666-6666"
pattern = r"""
    (?Pw+),s
    (?Pw+@w+.w+),s
    (?Pd{3}-d{3}-d{4})
"""


match = re.search(pattern, text, re.VERBOSE)
if match:
    print(match.group("name"))
    print(match.group("email"))
    print(match.group("phone"))
# linuxmi
# [e-mail]
# 666-666-6666

如上所示，我们可以将复杂的正则表达式分成多行，以提高可读性。只要在re.search()函数中加入re.VERBOSE标志，它就可以像平常一样被正确识别。






审核编辑：刘清