re库(正则表达式)regular expression regex RE
正则表达式:
- 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
- 判断某字符串的特征归属
正则表达式在文本处理中十分常用
- 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
正则表达式由字符和操作构成
正则表达式的常用操作符
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 |
[^ ] | 非字符串,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等 |
+ | 前一个字符1次或无限次扩展 | abc+表示abc、abcc、abccc等 |
? | 前一个字符0次或1次扩展 | abc?表示ab、abc |
左右表达式任意 | 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志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$表示abc且在一个字符串的结尾 |
( ) | 分组标记,内部职能使用 操作符号 | (abc)表示abc,(abc def)表示abc、def |
\d | 数字,等价于[0-9] | |
\w | 单词字符,等价于[A-Za-z0-9] |
注:空格处为|
正则表达式语法实例
正则表达式 | 对应字符串 |
---|---|
P(Y YT YTH YTHO)?N | PN、PYN、PYTN、PYTHN、PYTHON |
PYTHON+ | PYTHON、PYTHONN、PYTHONNN等 |
PY[TH]ON | PYTON、PYHON |
PY[^TH]?ON | PYON、PYaON、PYbON、PYcON等 |
PY{:3}N | PN、PYN、PYYN、PYYYN |
经典正则表达式实例
^ [A-Za-z]+$ | 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} | 国内电话号码,010-68913536 |
正则表达式的表示类型
- raw string 类型(原生字符串类型)
- string类型,更繁琐
re库主要功能函数
函数 | 说明 | 等价用法 |
---|---|---|
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 | regex.search() |
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 | regex.match() |
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 | findall.match() |
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 | regex.split() |
re.finditer(pattern,string,flags=0) | 搜索字符串,返回一个匹配结果的迭代类型,每一个迭代元素是match对象 | regex.finditer() |
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 | regex.sub() |
- 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
- maxsplit:最大分割数,剩余部分作为最后一个元素输出
- repl:替换匹配字符串的字符串
- count:匹配的最大替换次数
注:
常用标记 | 说明 |
---|---|
re.I re.IGNORECASE | 忽略正则表达式的大小写,[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 |
- re.search(pattern,string,flags=0)
>>> import re
>>> match = re.search(r'[1-9]\d{5}','BIT 100081')
>>> if match:
print(match.group(0))
100081
- re.match(pattern,string,flags=0)
>>> import re
>>> match = re.match(r'[1-9]\d{5}','BIT 100081')
>>> if match:
print(match.group(0))
>>> match.group(0)
Traceback (most recent call last):
File "<pyshell#70>", line 1, in <module>
match.group(0)
AttributeError: 'NoneType' object has no attribute 'group'
>>> match = re.match(r'[1-9]\d{5}','100081 BIT')
>>> if match:
print(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)
>>> import re
>>> re.split(r'[1-9]\d{5}','BIT100081 TSU100084')
['BIT', ' TSU', '']
>>> re.split(r'[1-9]\d{5}','BIT100081 TSU100084',maxsplit=1)
['BIT', ' TSU100084']
>>>
- re.finditer(pattern,string,flags=0)
>>> import re
>>> for m in re.finditer(r'[1-9]\d{5}','BIT100081 TSU100084'):
print(m.group(0))
100081
100084
- re.sub(pattern,repl,string,count=0,flags=0)
>>> 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
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:编译后的多次操作
>>> pat = re.compile(r'[1-9]\d{5}')
>>> rst = pat.search('BIT 100081')
即,将正则表达式的字符串形式编译成正则表达式对象
regex = re.compile(pattern,flags=0)
re库的match对象
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 |
.strat() | 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
>>> match = re.search(r'[1-9]\d{5}','BIT100081')
>>> if match:
print(match.group(0))
100081
>>> type(match)
<class 're.Match'>
>>> match.string
>>> 'BIT100081'
>>> 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)
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
默认贪婪匹配
>>> match = re.search(r'PY.*N','PYANBNCNDN')
>>> match.group(0)
'PYANBNCNDN'
最小匹配
>>> match = re.search(r'PY.*?N','PYANBNCNDN')
>>> match.group(0)
'PYAN'
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 |