Re库以及正则表达式 - Python

个人学习笔记
视频网站: https://www.bilibili.com/video/av9784617?p=39

① 正则表达式¹

图片源自:博客园某博主…

② Re库

一. 正则表达式的表示类型

---

• raw string类型(原生字符串类型)

  re库采用raw string类型表达正则表达式, 表示为: r'text'
  例如: r'[1-9]\d{5}
  raw string 是不包含转义符的字符串

• string类型

  需要将特殊字符转义后使用
  例如: '[1-9]\\d{5}'
'\\d{3}-\\d{8}|\\d{4}-\\d{7}'

二. Re库的主要功能函数

---

函数	说明
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结果进行分割, 返回列表类型
re.finditer()	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
re.sub()	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

2.1 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: 待匹配字符串
  • flags: 正则表达式使用时的控制标记

常用标记	说明
re.I re.IGNORECASE	忽略正则表达的大小写, [A-Z]能够匹配小写字符
re.M re.MULTILINE	正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
re.S re.DOTALL	正则表达式中的.操作符能够匹配所有字符, 默认匹配除换行外的所有字符

match, findall, finditer函数的参数与search的参数是一样的. 参考search的参数即可

2.2 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.
  • 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
  • maxsplit: 最大分割数, 剩余部分作为最后一个元素输出
  • flags: 正则表达式使用时的控制标记

2.3 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
  • pattern: 正则表达式的字符串或原生字符串表示
  • repl: 替换匹配字符串的字符串
  • string: 待匹配字符串
  • count: 匹配的最大替换次数
  • flags: 正则表达式使用时的控制标记

2.4 Example

---

import re

# re.search: 在一个字符串中搜索匹配正则表达式的第一个位置
match = re.search(r'[1-9]\d{5}', 'BIT 100032 132103 12043')
if match:
    print(match.group(0))
# 结果: 100032

print(match)
# 结果: <re.Match object; span=(4, 10), match='100032'>

# re.match: 从一个字符串的开始位置起匹配正则表达式
# 开始与正则表达式不匹配的话, 则为None
match = re.match(r'[1-9]\d{5}', '123042BIT 100032 132103 12043')
if match:
    print(match.group(0))
# 结果: 123042

# re.findall: 搜索字符串, 以列表类型返回全不能匹配的子串
match = re.findall(r'[1-9]\d{5}', '123042BIT 100032 SUV132103 12043')
if match:
    print(match)
# 结果: ['123042', '100032', '132103']

# re.split: 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.
match = re.split(r'[1-9]\d{5}', '123042BIT 100032 SUV132103 120413')
if match:
    print(match)
# 结果:['', 'BIT ', ' SUV', ' ', '']
# 结果分析: 123042符合,则字符串开头开始分割即'',
#     然后就是'BIT ', 100032符合,继续分割, ' SUV'
#   132103符合,分割' ', 120413符合,后面一个''(空字符串)

# maxsplit=1, 只匹配1个, 后面的字符串作为一个元素输出
match = re.split(r'[1-9]\d{5}', '123042BIT 100032 SUV132103 120413', maxsplit=1)
if match:
    print(match)
# 结果: ['', 'BIT 100032 SUV132103 120413']

print(re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT102435 TSU104394'))
# 结果: BIT:zipcode TSU:zipcode

2.5 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
  • pattern: 正则表达式的字符串或原生字符串表示
  • flags: 正则表达式使用时的控制标记

函数式用法: 一次性操作:
rst = re.search(r'[1-9]\d{5}', 'BIS 102384')

等价于

面向对象用法: 编译后的多次操作:
pat = re.compile(r'[1-9]\d{5}')
rst = pat.search('BiS 102384')

三. Re库中的match对象

---

3.1 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

3.2 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())

4. 贪婪匹配

---

Re库默认采用贪婪匹配, 即输出匹配最长的子串

match = re.search(r'PY.*N', 'PYKSJDFNN')
match.group(0)
# 结果: PYKSJDFNN

如何变成最小匹配

---

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次扩展, 最小匹配
{m,n}?	扩展前一个字符m至n次(含n), 最小匹配

---

[扩展]
Python爬虫实现淘宝商品价格爬取 - request+re

具体实现请看:【Python爬虫学习】七、淘宝商品价格爬取（成功爬取）

Convert curl syntax to Python, Ansible URI, Node.js, R, PHP, Strest, Go, Dart, JSON, Elixir, Rust

---

1. -正则表达式 - 语法 - 菜鸟教程
   -在线正则表达式测试
   -表达式全集 - 开源中国
   -可能是最好的正则表达式的教程笔记了吧… ↩︎