导航:起始页 > Dive Into Python > 正则表达式 > 个案研究:解析电话号码 | << >> | ||||
深入 Python :Dive Into Python 中文版Python 从新手到专家 [Dip_5.4b_CPyUG_Release] |
迄今为止,你主要是匹配整个模式,不论是匹配上,还是没有匹配上。但是正则表达式还有比这更为强大的功能。当一个模式确实 匹配上时,你可以获取模式中特定的片断,你可以发现具体匹配的位置。
这个例子来源于我遇到的另一个现实世界的问题,也是在以前的工作中遇到的。问题是:解析一个美国电话号码。客户要能 (在一个单一的区域中) 输入任何数字,然后存储区号、干线号、电话号和一个可选的独立的分机号到公司数据库里。为此,我通过网络找了很多正则表达式的例子,但是没有一个能够完全满足我的要求。
这里列举了我必须能够接受的电话号码:
格式可真够多的!我需要知道区号是 800,干线号是 555,电话号的其他数字为 1212。对于那些有分机号的,我需要知道分机号为 1234。
让我们完成电话号码解析这个工作,这个例子展示第一步。
>>> phonePattern = re.compile(r'^(\d{3})-(\d{3})-(\d{4})$') >>> phonePattern.search('800-555-1212').groups() ('800', '555', '1212') >>> phonePattern.search('800-555-1212-1234') >>>
我们通常从左到右阅读正则表达式。这个正则表达式匹配字符串的开始,接着匹配 (\d{3})。\d{3} 是什么呢?好吧,{3} 的含义是“精确匹配三个数字”;这是曾在前面见到过的 {n,m} 语法的一种变形。\d 的含义是 “任何一个数字” (0 到 9)。把它们放大括号中意味着要“精确匹配三个数字位,接着把它们作为一个组保存下来,以便后面的调用”。接着匹配一个连字符,接着是另外一个精确匹配三个数字位的组,接着另外一个连字符,接着另外一个精确匹配四个数字为的组,接着匹配字符串的结尾。 | |
为了访问正则表达式解析过程中记忆下来的多个组,我们使用 search 函数返回对象的 groups() 函数。这个函数将返回一个元组,元组中的元素就是正则表达式中定义的组。在这个例子中,定义了三个组,第一个组有三个数字位,第二个组有三个数字位,第三个组有四个数字位。 | |
这个正则表达式不是最终的答案,因为它不能处理在电话号码结尾有分机号的情况,为此,我们需要扩展这个正则表达式。 |
>>> phonePattern = re.compile(r'^(\d{3})-(\d{3})-(\d{4})-(\d+)$') >>> phonePattern.search('800-555-1212-1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800 555 1212 1234') >>> >>> phonePattern.search('800-555-1212') >>>
下一个例子展示正则表达式处理一个电话号码内部,采用不同分隔符的情况。
>>> phonePattern = re.compile(r'^(\d{3})\D+(\d{3})\D+(\d{4})\D+(\d+)$') >>> phonePattern.search('800 555 1212 1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212-1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('80055512121234') >>> >>> phonePattern.search('800-555-1212') >>>
下一个例子展示正则表达式处理没有 分隔符的电话号码的情况。
>>> phonePattern = re.compile(r'^(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$') >>> phonePattern.search('80055512121234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800.555.1212 x1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212').groups() ('800', '555', '1212', '') >>> phonePattern.search('(800)5551212 x1234') >>>
下一个例子展示如何解决电话号码前面有其他字符的情况。
>>> phonePattern = re.compile(r'^\D*(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$') >>> phonePattern.search('(800)5551212 ext. 1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212').groups() ('800', '555', '1212', '') >>> phonePattern.search('work 1-(800) 555.1212 #1234') >>>
让我们往回看一下。迄今为止,正则表达式总是从一个字符串的开始匹配。但是现在你看到了,有很多不确定的情况需要你忽略。与其尽力全部匹配它们,还不如全部跳过它们,让我们采用一个不同的方法:根本不显式地匹配字符串的开始。下面的这个例子展示这个方法。
>>> phonePattern = re.compile(r'(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$') >>> phonePattern.search('work 1-(800) 555.1212 #1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212') ('800', '555', '1212', '') >>> phonePattern.search('80055512121234') ('800', '555', '1212', '1234')
看看一个正则表达式能够失控得多快?回头看看前面的例子,你还能区别它们么?
当你还能够理解这个最终答案的时候 (这个正则表达式就是最终答案,即使你发现一种它不能处理的情况,我也真的不想知道它了),在你忘记为什么你这么选择之前,让我们把它写成松散正则表达式的形式。
>>> phonePattern = re.compile(r''' # don't match beginning of string, number can start anywhere (\d{3}) # area code is 3 digits (e.g. '800') \D* # optional separator is any number of non-digits (\d{3}) # trunk is 3 digits (e.g. '555') \D* # optional separator (\d{4}) # rest of number is 4 digits (e.g. '1212') \D* # optional separator (\d*) # extension is optional and can be any number of digits $ # end of string ''', re.VERBOSE) >>> phonePattern.search('work 1-(800) 555.1212 #1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212') ('800', '555', '1212', '')
<< 松散正则表达式 |
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | |
小结 >> |