題記

本文介紹了Python對于正則表達(dá)式的支持，包括正則表達(dá)式基礎(chǔ)以及Python正則表達(dá)式標(biāo)準(zhǔn)庫的完整介紹及使用示例。

正則表達(dá)式在很多的應(yīng)用中都有使用到，特別是在網(wǎng)絡(luò)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(yīng)用。

本文主要使用python對正則表達(dá)式進(jìn)行說明，并配合合適的代碼。

如何匹配手機(jī)號碼

正則表達(dá)式的規(guī)則，一開始看的時(shí)候，會感覺規(guī)則太多太亂，毫無規(guī)律可尋，看完了幾個(gè)例子以后，慢慢的發(fā)現(xiàn)一些常用的表達(dá)式以后，寫起后面的規(guī)則就容易得多了。

這里以如何匹配手機(jī)電話號碼為例子

最簡單的手機(jī)規(guī)律為11個(gè)數(shù)字，正則表達(dá)式為：

\d{11}

這樣我們就認(rèn)為凡事字符串中有11位數(shù)字就認(rèn)為是手機(jī)號碼，但是現(xiàn)實(shí)中還有另外一些規(guī)則，12345678912這也是11個(gè)數(shù)字，但是我們現(xiàn)在并不會認(rèn)為他是手機(jī)號碼，所以進(jìn)一步的把規(guī)則寫細(xì)了。

我們還可以進(jìn)一步的細(xì)分為，13x開頭，14x開頭，17(13678)開頭，18x開頭，后面再帶8位的數(shù)字，還有另一種情況是170的情況，其中第四位為[0589]中的一個(gè)數(shù)，再帶7位數(shù)字。
表達(dá)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(dá)式語法

我們剛才用到的\d 在正則表達(dá)式中，代表著數(shù)字的意思，還可以用[0-9]來表示一個(gè)數(shù)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：

數(shù)量匹配：

匹配邊界：

圖中的表達(dá)式都有專門的例子介紹，可以大概的看看，需要用到的時(shí)候在專門來進(jìn)行查詢。

python中的re模塊

在python中，有專門的模塊來負(fù)責(zé)正則表達(dá)式，就是re模塊。

字符串是否匹配規(guī)則

比如在用戶注冊里，我們要求用戶輸入的手機(jī)號碼，符合手機(jī)號碼的規(guī)律，可以用正則表達(dá)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(jī)號碼為例：

import re
str = '15259340987'
# 將正則表達(dá)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(jié)果，無法匹配時(shí)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(dá)式，用的是

re.compile('152\d{8}')

這個(gè)表達(dá)式比

(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}

是嚴(yán)格非常多的，他只匹配，152開頭的手機(jī)號碼，當(dāng)然表達(dá)式可以根據(jù)你自己的需要來選擇，這里只是給一個(gè)實(shí)例。

找出所有符合規(guī)則的字符串

在網(wǎng)頁爬蟲中，我們需要找出網(wǎng)頁的說有鏈接，用正則匹配就非常容易做到，查看網(wǎng)頁源代碼中的html，帶有網(wǎng)頁鏈接的代碼為

正則表達(dá)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(gè)方法是Pattern類的工廠方法，用于將字符串形式的正則表達(dá)式編譯為Pattern對象。 第二個(gè)參數(shù)flag是匹配模式，取值可以使用按位或運(yùn)算符'|'表示同時(shí)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(jià)的。

  語句

  prog = re.compile(pattern)
  result = prog.match(string)
  和

  result = re.match(pattern, string)
  等價(jià)，第二種寫法較為方便。

• re.search(pattern, string, flags=0)

這個(gè)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(biāo)處起嘗試匹配pattern，如果pattern結(jié)束時(shí)仍可匹配，則返回一個(gè)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(shí)仍無法匹配則返回None。 
pos和endpos的默認(rèn)值分別為0和len(string))；re.search()無法指定這兩個(gè)參數(shù)，參數(shù)flags用于編譯pattern時(shí)指定匹配模式。 

• re.match(pattern, string, flags=0)

  這個(gè)方法將從string的pos下標(biāo)處起嘗試匹配pattern；如果pattern結(jié)束時(shí)仍可匹配，則返回一個(gè)Match對象；如果匹配過程中pattern無法匹配，或者匹配未結(jié)束就已到達(dá)endpos，則返回None。
  pos和endpos的默認(rèn)值分別為0和len(string)；re.match()無法指定這兩個(gè)參數(shù)，參數(shù)flags用于編譯pattern時(shí)指定匹配模式。
  注意：這個(gè)方法并不是完全匹配。當(dāng)pattern結(jié)束時(shí)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(dá)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(shù)，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(gè)匹配的子串后返回替換后的字符串。
  當(dāng)repl是一個(gè)字符串時(shí)，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。
  當(dāng)repl是一個(gè)方法時(shí)，這個(gè)方法應(yīng)當(dāng)只接受一個(gè)參數(shù)（Match對象），并返回一個(gè)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(shù)，不指定時(shí)全部替換。

常用的正則表達(dá)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(jī)號：(13\d|14[57]|15[^4,\D]|17[13678]|18\d)\d{8}|170[0589]\d{7}

正則表達(dá)式工具

正則表達(dá)式語法比較復(fù)雜，開始沒有經(jīng)驗(yàn)的話，調(diào)試起來比較麻煩，現(xiàn)在網(wǎng)上有很多的正則表達(dá)式工具，能幫助我們快速的進(jìn)行試驗(yàn)。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(dòng)的生成各種語言版本的正則表達(dá)式的例子：
如下

RegexBuddy.png

更多入門教程可以參考：[http://www.bugingcode.com/python_start/] (http://www.bugingcode.com/python_start/)