# -*- coding: utf-8 -*-

# 正则表达式：一种用来匹配字符串的强有力的武器

# 它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的

# 判断一个字符串是否是合法的Email的方法是：

# 创建一个匹配Email的正则表达式；

# 用该正则表达式去匹配用户的输入来判断是否合法。

# 正则表达式也是用字符串表示的，所以，我们要首先了解如何用字符来描述字符

# 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，所以：

# '\d\d\d' 可以匹配：三位数(123) '\w\w\d' 可以匹配：'py3'等

# .可以匹配任意字符： 'py.' 可以匹配：'pyc' 'py3' 'py!'等

# 要匹配变长的字符，正则表达式：

# 在正则表达式中，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

# example：\d{3}\s+\d{3,8}

# \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

# \d{3}\-\d{3,8} 匹配：'010-12345'

# \d{3}\s+\-\s+\d{3,8} '010 - 12345'

# 进阶

# 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

# py也可以匹配'python'，但是加上^py$就变成了整行匹配，就只能匹配'py'了

# Re Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：

s = 'ABC\\-001' # python的字符串，对应的正则表达式：'ABC|-001'

s = r'ABC\-001' # 使用Python的r前缀，就不用考虑转义的问题了：对应的正则表达式：'ABC|-001'

import re

re.match(r'^\d{3}\-\d{3,8}$', '010-12345') # 成功，返回match对象

re.match(r'^\d{3}\-\d{3,8}$', '010 12345') # 失败，返回None

# 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 = '用户输入的字符串'

if re.match(r'正则表达式', test):

print('ok')

else:

print('failed')

# 切分字符串

# 用正则表达式切分字符串比用固定的字符更灵活

>>>'a b c'.split(' ') # ['a', 'b', '', '', 'c']

>>>re.split(r'\s+', 'a b c') # ['a', 'b', 'c']

# 无论多少个空格都可以正常分割。

# 加入,试试：

>>>re.split(r'[\s\,]+', 'a,b, c d') # ['a', 'b', 'c', 'd']

# 加入；试试：

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

# 如果用户输入了一组标签，下次记得用正则表达式来把不规范的输入转化成正确的数组

# 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）

# ^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：

m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')

print(m)

m.group(0) # '010-12345'

m.group(1) # '010'

m.group(2) # '12345'

# 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

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

t = '18:57:17'

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)

m.groups() # ('19', '05', '30')

# 这个正则表达式可以直接识别合法的时间

# 用正则表达式也无法做到完全验证，比如识别日期：

# '^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'

# 对于'2-30'，'4-31'这样的非法日期，用正则还是识别不了，或者说写出来非常困难

# 贪婪匹配

# 正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符

# 举例如下，匹配出数字后面的0：

re.match(r'^(\d+)(0*)$', '102300').group() # ('102300', '')

# 由于 \d+ 采用贪婪匹配，直接把后面的0全部匹配了，结果 0* 只能匹配空字符串

# 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：

re.match(r'^(\d+?)(0*)$', '102300').groups() # ('1023', '00')

# 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，可以预编译该正则表达式，重复使用时就不需要编译这个步骤了，直接匹配：

import re

re_telephone = re.compile(r'^(\d{3})-(\d{3, 8})$') # 编译

# 使用

re_telephone.match('010-12345').groups() # ('010', '12345')

re_telephone.match('010-8086').groups() # ('010', '8086')

# 编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。

## 正则表达式非常强大，你可能需要一本正则表达式的参考书。

# 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：bill.gates@microsoft.com

r'^(\w+)@(\w+).com$'

reg = r'^(\w*\d*.*)@(gmail|microsoft).(com)$'

v1 = re.compile(r'^(\w+(?:.\w+)?)@(\w+).(\w+)$')

v2 = re.compile(r'^(<\w+\s\w+>)\s+(\w+(?:.\w+)?)@(\w+).(\w+)$')

# 版本二可以验证并提取出带名字的Email地址：<Tom Paris> tom@voyager.org

r'^(<?)(\w+)(>?)(\w+)@(\w+)(\.)org$'