第97集：re模块：正则表达式基础

学习目标

• 理解正则表达式的基本概念和作用
• 掌握Python中re模块的基本使用方法
• 学习正则表达式的基本语法规则
• 能够使用正则表达式进行简单的字符串匹配操作

一、什么是正则表达式？

正则表达式（Regular Expression，简称Regex或RegExp）是一种用于描述字符串模式的特殊语法，它可以帮助我们：

1. 匹配特定模式的字符串
2. 查找字符串中的特定内容
3. 替换字符串中的特定部分
4. 分割字符串

正则表达式广泛应用于文本处理、数据验证、信息提取等场景。

二、Python中的re模块

Python提供了内置的re模块，用于处理正则表达式。使用前需要先导入：

import re

三、正则表达式的基本语法

1. 普通字符

普通字符包括字母、数字、空格等，它们在正则表达式中表示自身：

• a 匹配字符"a"
• 123 匹配字符串"123"
• hello 匹配字符串"hello"

2. 元字符

元字符是正则表达式中具有特殊含义的字符：

3. 字符类

字符类用于匹配指定范围内的字符：

4. 预定义字符类

为了方便使用，正则表达式提供了一些预定义的字符类：

5. 量词的贪婪与非贪婪

默认情况下，量词是贪婪的，会尽可能多地匹配字符。在量词后面加上?可以使其变为非贪婪模式：

• .* 贪婪匹配：匹配尽可能多的字符
• .*? 非贪婪匹配：匹配尽可能少的字符

四、re模块的常用函数

1. re.match()

re.match() 尝试从字符串的开头匹配一个模式：

import re

# 匹配成功
result = re.match(r'hello', 'hello world')
print(result)  # <re.Match object; span=(0, 5), match='hello'>
print(result.group())  # hello
print(result.span())  # (0, 5)

# 匹配失败
result = re.match(r'world', 'hello world')
print(result)  # None

2. re.search()

re.search() 在整个字符串中查找第一个匹配的模式：

import re

result = re.search(r'world', 'hello world')
print(result)  # <re.Match object; span=(6, 11), match='world'>
print(result.group())  # world

3. re.findall()

re.findall() 查找字符串中所有匹配的模式，返回一个列表：

import re

result = re.findall(r'\d+', 'There are 123 apples and 456 oranges')
print(result)  # ['123', '456']

4. re.split()

re.split() 根据匹配的模式分割字符串：

import re

# 用逗号或空格分割字符串
result = re.split(r'[ ,]+', 'a,b c  d')
print(result)  # ['a', 'b', 'c', 'd']

5. re.sub()

re.sub() 替换字符串中匹配的模式：

import re

# 将所有数字替换为 "X"
result = re.sub(r'\d+', 'X', 'There are 123 apples and 456 oranges')
print(result)  # There are X apples and X oranges

6. re.compile()

re.compile() 编译正则表达式模式，提高多次使用的效率：

import re

# 编译模式
pattern = re.compile(r'\d+')

# 使用编译后的模式
result1 = pattern.findall('123 abc 456')
result2 = pattern.sub('X', '789 def 012')

print(result1)  # ['123', '456']
print(result2)  # X def X

五、分组

使用括号 () 可以将正则表达式的一部分分组，方便后续操作：

import re

# 匹配日期格式：YYYY-MM-DD
pattern = re.compile(r'(\d{4})-(\d{2})-(\d{2})')
result = pattern.match('2023-10-05')

if result:
    print(result.group())  # 2023-10-05 （完整匹配）
    print(result.group(1))  # 2023 （第1组）
    print(result.group(2))  # 10 （第2组）
    print(result.group(3))  # 05 （第3组）
    print(result.groups())  # ('2023', '10', '05') （所有组）

六、应用案例

1. 验证邮箱格式

import re

def is_valid_email(email):
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return bool(re.match(pattern, email))

# 测试
print(is_valid_email('user@example.com'))  # True
print(is_valid_email('invalid-email'))  # False
print(is_valid_email('another.user@sub.example.org'))  # True

2. 提取URL

import re

def extract_urls(text):
    pattern = r'https?://[\w\-._~:/?#[\]@!$&\'()*+,;=.]+'
    return re.findall(pattern, text)

# 测试
text = 'Visit https://www.example.com or http://test.org for more info.'
print(extract_urls(text))  # ['https://www.example.com', 'http://test.org']

3. 替换电话号码格式

import re

def format_phone_number(phone):
    # 将电话号码格式化为 (XXX) XXX-XXXX
    pattern = r'(\d{3})(\d{3})(\d{4})'
    return re.sub(pattern, r'(\1) \2-\3', phone)

# 测试
print(format_phone_number('1234567890'))  # (123) 456-7890

七、最佳实践

1. 使用原始字符串：在正则表达式前加上 r 表示原始字符串，避免转义字符的问题：

   # 推荐
   pattern = r'\d+'
   
   # 不推荐
   pattern = '\\d+'

2. 编译正则表达式：如果需要多次使用同一个正则表达式，建议先编译：

   pattern = re.compile(r'\d+')
   result1 = pattern.findall(text1)
   result2 = pattern.findall(text2)

3. 注意贪婪与非贪婪：根据需要选择合适的量词模式

4. 测试正则表达式：使用在线工具（如regex101.com）测试正则表达式

5. 保持正则表达式的可读性：复杂的正则表达式可以使用注释（通过 re.VERBOSE 标志）

八、总结

本集我们学习了：

1. 正则表达式的基本概念和作用
2. Python中re模块的导入和使用
3. 正则表达式的基本语法（普通字符、元字符、字符类、量词等）
4. re模块的常用函数（match、search、findall、split、sub、compile）
5. 分组的使用方法
6. 正则表达式的应用案例和最佳实践

正则表达式是一个强大的工具，但也需要不断练习才能熟练掌握。下一集我们将深入学习re模块的高级功能。

九、课后练习

1. 编写一个正则表达式，匹配中国的手机号码（11位数字，以1开头）
2. 使用正则表达式从以下文本中提取所有的IP地址："Server 1: 192.168.1.1, Server 2: 10.0.0.1"
3. 编写一个函数，将字符串中的多余空格替换为单个空格
4. 使用正则表达式验证密码强度（至少8位，包含大小写字母和数字）

下一集预告：re模块：模式匹配（第98集）