字符串是編程時涉及到的最多的一種數據結構，對字符串進行操做的需求幾乎無處不在。好比判斷一個字符串是不是合法的Email地址，雖然能夠編程提取@先後的子串，再分別判斷是不是單詞和域名，但這樣作不但麻煩，並且代碼難以複用。python
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，咱們就認爲它「匹配」了，不然，該字符串就是不合法的。正則表達式
因此咱們判斷一個字符串是不是合法的Email的方法是：編程
-
建立一個匹配Email的正則表達式；數組
-
用該正則表達式去匹配用戶的輸入來判斷是否合法。ruby
由於正則表達式也是用字符串表示的，因此，咱們要首先了解如何用字符來描述字符。數據結構
在正則表達式中，若是直接給出字符，就是精確匹配。用\d能夠匹配一個數字，\w能夠匹配一個字母或數字，因此：spa
-
'00\d'能夠匹配'007'，但沒法匹配'00A'；設計 -
'\d\d\d'能夠匹配'010'；code -
'\w\w\d'能夠匹配'py3'；xml
.能夠匹配任意字符，因此：
'py.'能夠匹配'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：
來看一個複雜的例子：\d{3}\s+\d{3,8}。
咱們來從左到右解讀一下：
-
\d{3}表示匹配3個數字，例如'010'； -
\s能夠匹配一個空格（也包括Tab等空白符），因此\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，上面的正則表達式能夠匹配以任意個空格隔開的帶區號的電話號碼。
若是要匹配'010-12345'這樣的號碼呢？因爲'-'是特殊字符，在正則表達式中，要用'\'轉義，因此，上面的正則是\d{3}\-\d{3,8}。
可是，仍然沒法匹配'010 - 12345'，由於帶有空格。因此咱們須要更復雜的匹配方式。
進階
要作更精確地匹配，能夠用[]表示範圍，好比：
-
[0-9a-zA-Z\_]能夠匹配一個數字、字母或者下劃線； -
[0-9a-zA-Z\_]+能夠匹配至少由一個數字、字母或者下劃線組成的字符串，好比'a100'，'0_Z'，'Py3000'等等； -
[a-zA-Z\_][0-9a-zA-Z\_]*能夠匹配由字母或下劃線開頭，後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+後面最多19個字符）。
A|B能夠匹配A或B，因此(P|p)ython能夠匹配'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也能夠匹配'python'，可是加上^py$就變成了整行匹配，就只能匹配'py'了。
re模塊
有了準備知識，咱們就能夠在Python中使用正則表達式了。Python提供re模塊，包含全部正則表達式的功能。因爲Python的字符串自己也用\轉義，因此要特別注意：
s = 'ABC\\-001' # Python的字符串 # 對應的正則表達式字符串變成： # 'ABC\-001'
所以咱們強烈建議使用Python的r前綴，就不用考慮轉義的問題了：
s = r'ABC\-001' # Python的字符串 # 對應的正則表達式字符串不變： # 'ABC\-001'
先看看如何判斷正則表達式是否匹配：
>>> import re >>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345') <_sre.SRE_Match object at 0x1026e18b8> >>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345') >>>
match()方法判斷是否匹配，若是匹配成功，返回一個Match對象，不然返回None。常見的判斷方法就是：
test = '用戶輸入的字符串' if re.match(r'正則表達式', test): print 'ok' else: print 'failed'
切分字符串
用正則表達式切分字符串比用固定的字符更靈活，請看正常的切分代碼：
>>> 'a b c'.split(' ') ['a', 'b', '', '', 'c']
嗯，沒法識別連續的空格，用正則表達式試試：
>>> re.split(r'\s+', 'a b c') ['a', 'b', 'c']
不管多少個空格均可以正常分割。加入,試試：
>>> re.split(r'[\s\,]+', 'a,b, c d') ['a', 'b', 'c', 'd']
再加入;試試：
>>> re.split(r'[\s\,\;]+', 'a,b;; c d') ['a', 'b', 'c', 'd']
若是用戶輸入了一組標籤，下次記得用正則表達式來把不規範的輸入轉化成正確的數組。
分組
除了簡單地判斷是否匹配以外，正則表達式還有提取子串的強大功能。用()表示的就是要提取的分組（Group）。好比：
^(\d{3})-(\d{3,8})$分別定義了兩個組，能夠直接從匹配的字符串中提取出區號和本地號碼：
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345') >>> m <_sre.SRE_Match object at 0x1026fb3e8> >>> m.group(0) '010-12345' >>> m.group(1) '010' >>> m.group(2) '12345'
若是正則表達式中定義了組，就能夠在Match對象上用group()方法提取出子串來。
注意到group(0)永遠是原始字符串，group(1)、group(2)……表示第一、二、……個子串。
提取子串很是有用。來看一個更兇殘的例子：
>>> t = '19:05:30' >>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t) >>> m.groups() ('19', '05', '30')
這個正則表達式能夠直接識別合法的時間。可是有些時候，用正則表達式也沒法作到徹底驗證，好比識別日期：
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'
對於'2-30'，'4-31'這樣的非法日期，用正則仍是識別不了，或者說寫出來很是困難，這時就須要程序配合識別了。
貪婪匹配
最後須要特別指出的是，正則匹配默認是貪婪匹配，也就是匹配儘量多的字符。舉例以下，匹配出數字後面的0：
>>> re.match(r'^(\d+)(0*)$', '102300').groups() ('102300', '')
因爲\d+採用貪婪匹配，直接把後面的0所有匹配了，結果0*只能匹配空字符串了。
必須讓\d+採用非貪婪匹配（也就是儘量少匹配），才能把後面的0匹配出來，加個?就可讓\d+採用非貪婪匹配：
>>> re.match(r'^(\d+?)(0*)$', '102300').groups() ('1023', '00')
編譯
當咱們在Python中使用正則表達式時，re模塊內部會幹兩件事情：
-
編譯正則表達式，若是正則表達式的字符串自己不合法，會報錯；
-
用編譯後的正則表達式去匹配字符串。
若是一個正則表達式要重複使用幾千次，出於效率的考慮，咱們能夠預編譯該正則表達式，接下來重複使用時就不須要編譯這個步驟了，直接匹配：
>>> import re # 編譯: >>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$') # 使用： >>> re_telephone.match('010-12345').groups() ('010', '12345') >>> re_telephone.match('010-8086').groups() ('010', '8086')
編譯後生成Regular Expression對象，因爲該對象本身包含了正則表達式，因此調用對應的方法時不用給出正則字符串。
小結
正則表達式很是強大，要在短短的一節裏講完是不可能的。要講清楚正則的全部內容，能夠寫一本厚厚的書了。若是你常常遇到正則表達式的問題，你可能須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。版本一應該能夠驗證出相似的Email：
someone@gmail.com bill.gates@microsoft.com
版本二能夠驗證並提取出帶名字的Email地址：
<Tom Paris> tom@voyager.org