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
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_] |
^[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
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 |
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
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 |
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
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 |