python 正则表达式

正则表达式的概念

regular expression, regex,RE

正则表达式的用来简洁表达一组字符串的表达式

'PN'                                                 'PY'

'PYN'                                               'PYY'

'PYTN'                                             'PYYY'

'PYTHN'                                            .....

'PYTHON'                                        'PYYY...'

RE: P(Y|YT|YTH|YTHO)?N             PY+

优点：简洁 

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段字符串的特征归属

用途：

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 

最重要应用在字符串匹配中

正则表达式使用

regex = 'P(Y|YT|YTH|YTHO)?N'

p = re.compile(regex)

编译：将符合正则表达式语法的字符串装换成正则表达式特征

正则表达式语法

正则表达式语法由字符和操作符构成

正则表达式常用操作符

操作符	说明	实例
.	表示任何单个字符
[ ]	字符集，对单个字符给出取值范围	[abc]表示a,b,c   [a-z]表示a到z单个字符
[^ ]	非字符集，对单个字符给出排除范围	[^abc]表示非a或b或c的单个字符
*	前一个字符0次或无限次扩展	abc* 表示ab,abc,abcc,abccc,......
+	前一个字符1次或无限次扩展	abc+ 表示abc,abcc,abccc,....
?	前一个字符1次或0次扩展	abc?,表示abc或ab
|	左右表达式任意一个	abc|edf 表示 abc或edf
{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}c 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) 表示abc , (abc|def)表示abc, def
\d	数字，等价[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个字母和数字组成的字符串
^-?\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}	国内电话号号码，010-68913536

Re库的基本使用

re库采用raw string类型表示正则表达式:raw string 是不包含对转义符再次转义的字符串

Re库主要功能函数

函数	说明
re.compile()	将正则表达式的字符串形式编译成正则表达式对象
re.search()	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
re.match()	从一个字符串的开始位置起匹配正则表达式，返回match对象
re.findall()	搜索字符串，以列表类型返回全部能匹配的子串
re.split()	将一个字符串按照正则表达式匹配的结果进行分割，返回列表类型
re.finditer()	搜索字符串，返回第一个匹配结果的迭代类型，每个迭代元素是match对象
re.sub()	在一个字符串中替代所有匹配正则表达式的子串，返回替换后的字符串

flags:正则表达式使用时的控制标记

常用标记	说明
re.I re.IGNORECASE	忽略正则表达式大小写，[A-Z]能够匹配字符
re.M re.MULTILINE	正则表达式中的^操作符能够将给定
re.S re.DOTALL	正则表达式中的.操作符能够匹配所以字符，默认匹配除换行外的所有字符

re.search(pattern,string,flag=0)
∙ pattern : 正则表达式的字符串或原生字符串表示
∙ string : 待匹配字符串
∙ flags : 正则表达式使用时的控制标记

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

100081
>>>

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

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

>>> match.group(0) #match是空的，会报错，所以要用if语句
>>> match = re.match(r'[1-9]\d{5}','100081 BIT')
>>> if match:
        match.group(0)

'100081'
>>>

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

>>> import re
>>> ls = re.findall(r'[1-9]\d{5}','BIT100081 TSU100084')
>>> ls
['100081','100084']
>>>

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

maxsplit:最大分割数，剩余部分作为最后一个元素输出

>>> import re
>>> re.split(r'[1-9]\d{5}','BIT100081 TSU100084')
['BIT',' TUS','']
>>> re.split(r'[1-9]\d{5}','BIT100081 TSU100084',maxsplit=1)
['BIT',' TUS100084']
>>>

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

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

100081
100084
>>>

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

∙ repl:替换匹配字符串的字符串
∙ count=匹配的最大替换次数

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

Re库的另一种等价用法

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

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

Re库的match对象

一次匹配的结果

Match对象的属性

属性	说明
.string	待匹配的文本
.re	匹配时使用的pattern对象（正则表达式）
.pos	正则表达式搜索文本的开始位置
.endpos	正则表达式搜索文本的结束位置

Match对象的方法

方法	说明
.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())

>>> import re
>>> m = re.search(r'[1-9]\d{5}','BIT100081 TSU100084')
>>> m.string
'BIT100081 TSU100084'
>>> m.re
re.compile('[1-9]\\d{5}')
>>>

>>> m.pos
0
>>> m.endpos
19

>>> m.group(0)
'100081'
>>> m.start()
3
>>> m.end()
9
>>> m.span()
(3,9)
>>>

贪婪匹配

Re库默认采用贪婪匹配，输出匹配最长的字串

>>> match = re.search(r'PY.*n','PYANVNCNDN')
>>> match.group(0)
'PYANVNCNDN'

最小匹配

最小匹配操作符

操作符	说明
*?	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0次或1次匹配，最小匹配
{m,n}?	扩展前一个字符m至n次（含n），最小匹配