每當(dāng)你遇到文本處理問(wèn)題時(shí)，正則表達(dá)式（regex）總是你的好朋友。 然而，要記住所有復(fù)雜的規(guī)則是很難的甚至是不可能的。甚至僅僅閱讀語(yǔ)法也是令人不知所措的。

因此，學(xué)習(xí)正則表達(dá)式的最佳方法是通過(guò)學(xué)習(xí)實(shí)際示例。 本文將總結(jié)日常編程場(chǎng)景中常用的 9 個(gè)正則表達(dá)式技巧。閱讀完后，正則表達(dá)式對(duì)你來(lái)說(shuō)就像喝杯茶一樣簡(jiǎn)單。

驗(yàn)證電子郵件地址

檢查電子郵件地址的有效性是正則表達(dá)式的經(jīng)典用例。 下面是一個(gè)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("合法的郵件地址:)")
    else:
        print("無(wú)效的郵件地址!!")


val_email(email="[email protected]")
# 合法的郵件地址:)
val_email(email="elonexample.com")
# 無(wú)效的郵件地址!!
val_email(email="[email protected]")
# 無(wú)效的郵件地址!!

我們使用 [] 表示一個(gè)范圍。例如，[a-zA-Z0-9] 可以匹配 0 到 9 之間的數(shù)字、A 到 Z 之間的字母或 a 到 z 之間的字母。

^ 表示行的開(kāi)頭。在我們的例子中，我們使用它來(lái)確保文本必須以 [a-zA-Z0-9] 開(kāi)始。

$ 表示行的結(jié)尾。

用于轉(zhuǎn)義特殊字符（允許我們匹配像 '.' 這樣的字符）。

{n,m} 語(yǔ)法是用來(lái)匹配 n-m 個(gè)先前的正則表達(dá)式。我們使用了 {2,}，這意味著前面的部分 [a-zA-Z] 應(yīng)該至少重復(fù) 2 次。這就是為什么 "[email protected]" 被識(shí)別為無(wú)效的電子郵件地址。

表示匹配前面的正則表達(dá)式至少 1 次。例如，ab+ 將匹配 a 后面的任何非零數(shù)量的 b。

這個(gè)經(jīng)典的例子演示了在 Python 中使用正則表達(dá)式的一些基本語(yǔ)法。 實(shí)際上，Python 的 re 模塊是一個(gè)隱藏的寶藏，我們可以從中使用許多更多的技巧。

從字符串中提取數(shù)字

要從長(zhǎng)文本中找到一些特殊字符，最直接的想法是使用 for 循環(huán)遍歷所有字符并找到所需的內(nèi)容。 但是，沒(méi)有必要使用任何循環(huán)。正則表達(dá)式就是為了作為過(guò)濾器而生的。

import re


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


print(extract_numbers("Linux迷的文章閱讀量超過(guò)100000000。"))
# ['100000000']

驗(yàn)證電話號(hào)碼

下面的例子利用了 d 的用法來(lái)驗(yàn)證有效的電話號(hào)碼：

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

將文本分割成單詞

將長(zhǎng)文本分割成單獨(dú)的單詞是日常編程中的另一個(gè)常見(jiàn)需求。借助 re 模塊的 split() 函數(shù)，我們可以輕松完成此任務(wù)：

>>> 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']

使用正則表達(dá)式查找和替換文本

在使用正則表達(dá)式從文本中找到特定字符后，我們可能需要用新的字符串來(lái)替換它們。 re 模塊的 sub() 函數(shù)可以使這個(gè)過(guò)程變得非常順暢：

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.

在Python中預(yù)編譯正則表達(dá)式

在Python中使用正則表達(dá)式匹配字符串時(shí)，有兩個(gè)步驟： 編譯正則表達(dá)式。使用編譯后的正則表達(dá)式匹配字符串。因此，如果一個(gè)正則表達(dá)式被重復(fù)使用，每次編譯都會(huì)浪費(fèi)時(shí)間。 為了避免這種情況，Python允許我們預(yù)先編譯一個(gè)正則表達(dá)式，然后重復(fù)使用編譯后的對(duì)象進(jìn)行后續(xù)匹配。這可以顯著提高性能和效率。

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

提取和操作文本的子內(nèi)容

group()方法是Python re模塊中的一個(gè)函數(shù)，它返回一個(gè)或多個(gè)匹配的正則表達(dá)式匹配對(duì)象的子組。它非常方便，用于提取文本的不同部分。 例如，以下代碼展示了如何從“HH:MM”格式的時(shí)間字符串中提取兩個(gè)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'

用于提取子內(nèi)容的命名分組

如果子組數(shù)量變得很多，由于太多的神奇數(shù)字，程序?qū)⒑茈y閱讀。 因此，Python 提供了用于子內(nèi)容提取的命名組技巧：我們可以使用命名組捕獲匹配字符串的特定部分，而不是使用編號(hào)的捕獲組。這可以使我們的代碼更易于閱讀和維護(hù)。 以下是一個(gè)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

import re


text = "linuxmi, [email protected], 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
# [email protected]
# 666-666-6666