python系列之re模块(正则表达式)

一、正则表达式

正则表达式的优势：简洁

两个例子：

正则表达式是用来简洁表达一组字符串的表达式；
正则表达式是一种通用的字符串表达框架；
正则表达式是一种针对字符串表达“简洁”和“特征”思想的工具；
正则表达式可以用来判断某字符串的特征归属。

正则表达式的应用：

二、正则表达式的语法

正则表达式语法由字符和操作符构成。

在下面的经典实例中，“正整数形式的字符串”开头可能是 0，觉得开头不能为 0，不过它应该是把 01 与 1 视为等价的，这样想的话是没问题的。不过，我自己更倾向于写成：”^[1-9][0-9]*$”或者”^[1-9]\d*$”

下图 IP 地址正则表达式中，前两种都不是精确匹配。

三、Re 库的基本使用

Re库是Python的标准库，主要用于字符串匹配。
调用方式：import re

各函数举例说明：

1) re.search() :

【注】正则表达式中的 ‘.’ 操作符能够匹配所有字符，但不包括换行符，即默认匹配除换行外的所有字符；利用 ‘re.S’ 就可以匹配包括换行符在内的所有字符。

代码实例：

import re

match_obj = re.search(r'[1-9]\d{5}', 'BIT 100081')
if match_obj:
    print(match_obj.group(0))

"""
结果如下：
100081
"""

2) re.match() :

代码实例：

import re

match_obj= re.match(r'[1-9]\d{5}', 'BIT 100081')
if match_obj:
    print(match_obj.group(0))
else:
    print('None')

"""
结果如下：
None
"""

在上面的代码中，由于 re.match() 函数是从字符串的首位开始匹配，而”BIT 100081”中首位并不是数字，不能匹配，因此此时 match_obj 为空(一个空的 match 对象)。

将”BIT 100081”改成”100081 BIT”就能匹配，代码如下：

import re

match_obj = re.match(r'[1-9]\d{5}', '100081 BIT')
if match_obj:
    print(match_obj.group(0))
else:
    print('None')

"""
结果如下：
100081
"""

3) re.findall() :

代码实例：

import re

ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print(ls)

"""
结果如下：
['100081', '100084']
"""

4) re.split() :

代码实例：

import re

ls_1 = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print(ls_1)
ls_2 = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit = 1)
print(ls_2)

"""
结果如下：
['BIT', ' TSU', '']     # 注意最后一个是空字符串，不是空格
['BIT', ' TSU100084']
"""

5) re.finditer() :

import re

for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):
    if m:
        print(m.group(0))

"""
结果如下：
100081
100084
"""

6) re.sub() :

import re

ls = re.sub(r'[1-9]\d{5}', '123', 'BIT100081 TSU100084')
print(ls)

"""
结果如下：
BIT123 TSU123
"""

Re 库的另一种等价用法：

下面的函数与上面的函数功能一一对应，但是用法略有不同，下面的函数不需要“正则表达式的字符串或原声字符串表示”这个参数。

四、Match 对象

Match对象是一次匹配的结果，包含匹配的很多信息。

从下面的代码可以看出 Match 对象的类型：

import re

match = re.search(r'[1‐9]\d{5}', 'BIT 100081')
if match:
    print(match.group(0))
    print(type(match))

"""
结果如下：
100081
<class '_sre.SRE_Match'>
"""

import re

m = re.search(r'[1‐9]\d{5}', 'BIT100081 TSU100084')
print(m.string)
print(m.re)
print(m.pos, m.endpos)
print(m.group(0))
print(m.start(), m.end())
print(m.span())

"""
结果如下：
BIT100081 TSU100084
re.compile('[1‐9]\\d{5}')
0 19
100081
3 9
(3, 9)
"""

五、Re 库的贪婪匹配和最小匹配

Re库默认采用贪婪匹配，即输出匹配最长的子串。

代码实例：

import re

match = re.search(r'PY.*N', 'PYANBNCNDN')
print(match.group(0))

"""
结果如下：
PYANBNCNDN
"""

最小匹配：

如何输出最短的子串呢？在后面加个“?”即可。

import re

match = re.search(r'PY.*?N', 'PYANBNCNDN')
print(match.group(0))

"""
结果如下：
PYAN
"""

【参考】北京理工大学网络公开课《Python网络爬虫与信息提取》