Re库入门

Re(正则表达式)库入门

一：正则表达式的语法

1、正则表达式语法由字符和操作符构成

P ( Y | YT | YTH | YTHO ) ? N

2、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}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
\d	数字，等价于[0‐9]
\w	单词字符，等价于[A‐Za‐z0‐9_ ]

3、经典正则表达式实例

实例	说明
^[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，010‐11111111

IP地址字符串形式的正则表达式（IP地址分4段，每段0‐255）

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

二：Re库的基本使用

import re

1、re库采用raw string类型（原生字符串类型）表示正则表达式，表示为：r'text'，raw string是不包含对转义符再次转义的字符串。

例如：

​ r'[1‐9]\d{5}'

	`r'\d{3}‐\d{8}|\d{4}‐\d{7}'`

re库也可以采用string类型表示正则表达式，但更繁琐

例如：

​ '[1‐9]\\d{5}'

​ '\\d{3}‐\\d{8}|\\d{4}‐\\d{7}'

2、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

①、re.search(pattern, string, flags=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。

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

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

②、re.search(pattern, string, flags=0)

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

③、re.findall(pattern, string, flags=0)

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

运行结果：['100081', '100084']

④、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

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

运行结果：
['BIT', ' TSU', '']
['BIT', ' TSU100084']

⑤、re.finditer(pattern, string, flags=0)

for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):
    if m:
        print(m.group(0))
        
运行结果：
100081
100084

⑥、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。

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

运行结果：
BIT:zipcode TSU:zipcode

⑦、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

三：Re库的Match对象

Match对象是一次匹配的结果，包含匹配的很多信息

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

运行结果：
100081
<class 're.Match'>

1、Match对象的属性

属性	方法
.string	待匹配的文本
.re	匹配时使用的patter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

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()）

m = re.search(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print(m.string)
print(m.re)
print(m.pos)
print(m.endpos)
print(m.group(0))
print(m.start())
print(m.end())
print(m.span())

运行结果：
BIT100081 TSU100084
re.compile('[1-9]\\d{5}')
0
19
100081
3
9
(3, 9)

四：Re库的贪婪匹配和最小匹配

1、贪婪匹配

Re库默认采用贪婪匹配，即输出匹配最长的子串

import re
match = re.search(r'PY.*N', 'PYANBNCNDN')
print(match.group(0))

运行结果：
PYANBNCNDN

2、最小匹配

match = re.search(r'PY.*?N', 'PYANBNCNDN')
print(match.group(0))

运行结果：
PYAN

3、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