python learning Regular Expression.py

# 正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

# 在正则表达式中，如果直接给出字符，就是精确匹配。用\d可以匹配一个数字，\w可以匹配一个字母或数字

'''
'00\d'可以匹配'007'，但无法匹配'00A'；

'\d\d\d'可以匹配'010'；

'\w\w\d'可以匹配'py3'；
'''

# .可以匹配任意字符，所以：
'''
'py.'可以匹配'pyc'、'pyo'、'py!'等等。
'''

# 用*表示任意个字符（包括0个），用+表示至少一个字符，用?表示0个或1个字符，用{n}表示n个字符，用{n,m}表示n-m个字符：

'''
来看一个复杂的例子：\d{3}\s+\d{3,8}。

我们来从左到右解读一下：

\d{3}表示匹配3个数字，例如'010'；

\s可以匹配一个空格（也包括Tab等空白符），所以\s+表示至少有一个空格，例如匹配' '，' '等；

\d{3,8}表示3-8个数字，例如'1234567'。

综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。

如果要匹配'010-12345'这样的号码呢？由于'-'是特殊字符，在正则表达式中，要用'\'转义，所以，上面的正则是\d{3}\-\d{3,8}。
'''

# 要做更精确地匹配，可以用[]表示范围，比如：

'''
[0-9a-zA-Z\_]可以匹配 一个 数字、字母或者下划线；

[0-9a-zA-Z\_]+可以匹配至少由 一个 数字、字母或者下划线组成的字符串，比如'a100'，'0_Z'，'Py3000'等等；

[a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接 任意个 由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；

[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。
'''

# A|B可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'。

# ^表示行的开头，^\d表示必须以数字开头。

# $表示行的结束，\d$表示必须以数字结束。

# 例如：^py$就变成了整行匹配，就只能匹配'py'了。

# re模块：Python提供re模块，包含所有正则表达式的功能。
# 要特别注意的是，由于Python的字符串本身也用\转义，因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题了

import re
re.match(r'\d{3}\-\d{3,8}$0','010-12345')

# match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

test = '010-12345'
if re.match(r'\d{3}\-\d{3,8}$','010-12345'):
    print('ok')
else:
    print('failed')

# 切分

# 首先是常见的切分代码：

L = 'a  b   c'.split(' ')
print(L)

# 无法识别连续的空格，用正则表达式试试：

L = re.split(r'\s+', 'a  b   c')
print(L)

# 无论多少个空格都可以正常分割。加入,试试：

L = re.split(r'[\s\,]+', 'a,b, c  d')
print(L)

# 再加入;试试：

L = re.split(r'[\s\,\;]+', 'a,b;; c  d')
print(L)

# [] 表示范围，这个串至少一个的 \s 空白符 或者,逗号 或者;分号

# 分组

# 除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。

# 用()表示的就是要提取的分组（Group）。比如：

m = re.match(r'^(\d{3})-(\d{3,8})$', '010-123456')
print(m)
print(m.group(0))
print(m.group(1))
print(m.group(2))

# 如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。

# group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。

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)

for x in range(4):
    print(m.group(x))

# 贪婪匹配

# 最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。

x = re.match(r'^(\d+)(0*)$', '102300') # 匹配出现在数字后的 0 串
print(x.group(1))
print(x.group(2)) # 这个是空串

# 因为\d+采用贪婪匹配，直接把后面数字全部匹配了，0*只能匹配空字符串了。
# 必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让\d+采用非贪婪匹配：

x = re.match(r'^(\d+?)(0*)$', '102300') # 加个?就可以让\d+采用非贪婪匹配：
print(x.group(1))
print(x.group(2))

# 编译

'''
当我们在Python中使用正则表达式时，re模块内部会干两件事情：

编译正则表达式，如果正则表达式的字符串本身不合法，会报错；

用编译后的正则表达式去匹配字符串。

如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：
'''

re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
if re.match(re_telephone,'010-12345'):
    print('ok')
else:
    print('failed')

# 练习

# 请尝试写一个验证Email地址的正则表达式。版本一应该可以验证出类似的Email：
# someone@gmail.com
# bill.gates@microsoft.com

def is_valid_email(addr):
    re_email = r'[0-9a-zA-Z\.]*@[0-9a-zA-Z]*\.com'
    if re.match(re_email,addr):
        print('ok')
        return True
    else:
        print('failed')
        return False

assert is_valid_email('someone@gmail.com')
assert is_valid_email('bill.gates@microsoft.com')
assert not is_valid_email('bob#example.com')
assert not is_valid_email('mr-bob@example.com')
print('测试通过')

# 练习二：

# 可以提取出 Email 的名字

# <Tom Paris> tom@voyager.org => Tom Paris
# bob@example.com => bob

# [<]{0,1} 表示 可以是 一个 < 或者空

def name_of_email(addr):
    re_emailname = r'^[<]{0,1}([0-9a-zA-Z\s]*)[>|@]'
    test =  re.match(re_emailname, addr)
    if test:
        print('ok')
        return test.group(1)
    else:
        print('failed')
        return False

# 测试:
assert name_of_email('<Tom Paris> tom@voyager.org') == 'Tom Paris'
assert name_of_email('tom@voyager.org') == 'tom'
print('测试通过')