正则表达式

一、正则表示式的概念

通用的字符串表达框架

简洁表达一组字符串的表达式

针对字符串表达“简洁”和“特征”思想的工具

 

表达文本类型的特征(病毒、入侵等)

同时查找或替换一组字符串

匹配字符串的全部或部分

 

正则表达式的使用

编译：将符合正则表达式语法的字符串转换成正则表达式特征

 

二、正则表达式的语法

由字符和操作符构成

常用操作符：

. 表示任何单个字符

[] 字符集，对单个字符给出取值范围

[^ ] 非字符集，对单个字符给出排除范围

* 前面一个字符0次或无限次扩展(abc*表示ab,abc.abcc,abcc)

+ 前面一个字符1次或无限次扩展(abc+表示abc,abcc,anccc)

? 前面一个字符0次或一次扩展(abc?表示ab、abc)

| 左右表达式任意一个(abc|def表示abc、def)

{m} 扩展前一个字符m次(ab{2}c表示abbc)

{m,n} 扩展前一个字符m至n次(含n)(ab{1,2}表示abc,abbc)

^ 匹配字符串开头 （^abc表示abc且在一个字符串的开头)

$ 匹配字符串结尾 (abc$表示abc且在一个字符串的结尾)

() 分组标记，内部只能使用|操作符 (abc|def)

\d 数字，等价于[0-9]

\w 单词字符，等价于[A-Za-z0-9]

 

经典正则表达式实例：

^[A-Za-z]+$ 由26个字母组成的字符串

^[A-Za-z0-9]+$ 由26个字母和数字组成搭档字符串

^-?\d+$ 整数形式的字符串

^[0-9]*[1-9][0-9]*$ 正整数形式的字符串

[1-9]\d{5} 中国境内邮政编码，6位

[\u4e00-\u9fa5] 匹配中文字符

\d{3}-\d{8}|\d{4}-\d{7} 国内电话

 

匹配IP地址的正则表达式：

0-99:[1-9]?\d

100-199: 1\d{2}

200-249 : 2[0-4]\d

250-255: 25[0-5]

(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([-19]?\d|1\d{2}|2[0-4]\d|25[0-5])

 

三、Re库的基本使用

raw string 类型（原生字符串类型）

不包含转义符的字符串

 

flags常用标记：re.I 忽略正则表达式的大小写，[A-Z]能够匹配小写字符

re.M 正则表达式中^操作符能够将给定字符串的每行当作匹配开始

re.S 所有表达式中的.操作符能够匹配所有字符，默认匹配换行符外的所有字符

Search

re.search(pattern,string,flags=0)

在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象

pattern:正则表达式的字符串或原生字符串表示

string :带匹配字符串

flags:正则表达式使用时的控制标记

import re

match = re.search(r'[1-9]\d{5}','BTI 100081')

if match:

print(match.group(0))

 

Match

re.match(pattern,string,flags=0)

从一个字符串的开始位置起匹配正则表达式，返回match对象

import re

match = re.match(r'[1-9]\d{5}','100081 BIT')

if match:

match.group(0)

 

Findall

re.findall(pattern,string,flags=0)

搜索字符串，以列表类型返回全部能匹配的子串

import re

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

ls

 

Split

re.split(pattern,string,maxsplit=0,flags=0)

将一个字符串按照正则表达式匹配结果进行分割，返回列表类型

maxsplit:最大分割数，剩余部分作为最后一个元素输出

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

['BIT',' TSU',' ']

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

['BIT',' TSU100084']

 

Findditer

re.finditer(pattern,string,flags=0)

搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象

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

if m:

print(m.group(0))

100081

100084

 

Sub

re.sub(pattern,repl,string,count=0,flags=0)

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

repl:替换匹配字符串的字符串

count:匹配的最大替换次数

re.sub(r'[1-9]\d{5}',':zipcode', 'BIT100081 TSU100084')

'BIT:zipcode TSU:zipcode'

 

Re库的另一种等价用法

函数式用法：一次性操作

rst = re.search(r'[1-9]\d{5}','BIT 100081')

面向对象用法：编译后多次操作

pat = re.compile(r'[1-9]\d{5}')

rst = pat.seatch('BIT 100081')

 

Complie

regex = re.compile(pattern.flags=0)

将正则表达式的字符串形式编译成正则表达式对象

regex调用六个函数

 

四、Re库的match对象

Match对象的属性

.string：待匹配的文本

.re：匹配是使用的pattern对象

.pos：正则表达式搜索文本的开始

.endpos：正则表达式搜索文本的结束位置

Match对象的方法

.group(0)：获得匹配后的字符串

.start()：匹配字符串在原始字符串的开始位置

.end()：匹配字符串在原始字符串的结束位置

.span()：返回(.start(),.end())

 

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

最小匹配操作符

*？ 前一个字符0次或无限次扩展，最小匹配

+? 前一个字符1次或无限次扩展，最小匹配

?? 前一个字符串0次或1次扩展，最小匹配

{m,n}? 扩展前一个字符m至n（含n），最小匹配