正则表达式:通用的字符串框架,用来简洁地表达一组字符串的表达式
例:
“PY”开头,后续存在不多于10个字符
后续字符不能是“P”或“Y”
<==>PY[^PY]{0,10}
语法:
P(Y|YT\YTH|YTHO)?N由字符和操作符构成
操作符有:
· 任何
[ ] 取值范围
[^] 排除范围
* 0或多个
+ 1或多
? 前一个字符的0次或1次扩展
| 左右表达式或任意任意一个
{ m} 扩展前一字符m次
{m,n}扩展前一个字符m至n次(含m)
^ 匹配字符串开头
$ 匹配字符串结尾
()分组标记
\d 数字,等价于[1,9]
\w 单词字符,等价于[A-Za-z0-9]
Re库:
import re
正则表达式的表示类型 row string类型(原生字符串类型) 即r‘text’,不含转义字符的字符串
Re库的主要功能函数:
re.search(“正则表达式”,“待匹配字符串”,flag=0)在一字符串中搜索匹配正则表达式的第一位置,返回match对象
re.match(“正则表达式”,“待匹配字符串”,flag=0)从字符串开始位置搜索匹配正则表达式,返回match对象,若开始位置没有匹配,则match为空
re.findall(“正则表达式”,“待匹配字符串”,flag=0)在一字符串中搜索匹配正则表达式的子串,返回子串列表
re.split(“正则表达式”,“待匹配字符串”,flag=0)按正则表达式分割,返回子串列表
re.finditer(“正则表达式”,“待匹配字符串”,flag=0)返回match的迭代类型
rere.sub(“正则表达式”,“要替换的新串”,“待匹配字符串”,flag=0)在一个字符串中替换所有匹配表达式的子串,返回替换后的字符串
字符串功能函数的调用也可以用面向对象的思想,先把正则表达式编译成一个封装对象,然后再用此对象调用相关的功能函数:
即 regex = re.compile(pattern,flags=0)
将正则表达式编译成正则表达式对象,然后直接用它调用re的功能函数,当然,在函数的参数中,不需要传入“正则表达式”这一参数
前文中我们一直说的match对象,而它到底是什么鬼??
match对象:正则表达式匹配字符之后产生的对象
match对象的属性:
.string待匹配的文本
.re匹配时的pattern对象(正则表达式)
.pos正则表达式搜索文被的开始位置
.endpos正则表达式搜索文本的结束位置
match对象的方法:
.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()结束位置
.span()返回(.start(),end())
贪婪匹配和最小匹配???
Re库默认采用贪婪匹配,即输出匹配的最长的子串
match = re.search(r'PY.AN','PYANBNCNND')
match.group(0)
则会输出:“PYANBNCNND”
如何才能输出最短的子串呢??
即最小匹配:
match = re.search(r'PY.*?N',‘PYNABNCNDN’)
match.group(0)
则会输出:‘PYAN
关于构建最小匹配的具体写法,与以上类似,暂不作详述
附:常用的正则表达式总结:
非负整数:^\d+$
正整数:^[0-9]*[1-9][0-9]*$
非正整数:^((-\d+)|(0+))$
负整数:^-[0-9]*[1-9][0-9]*$
整数:^-?\d+$
非负浮点数:^\d+(\.\d+)?$
正浮点数 : ^((0-9)+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)$
非正浮点数:^((-\d+\.\d+)?)|(0+(\.0+)?))$
负浮点数:^(-((正浮点数正则式)))$
英文字符串:^[A-Za-z]+$
英文大写串:^[A-Z]+$
英文小写串:^[a-z]+$
英文字符数字串:^[A-Za-z0-9]+$
英数字加下划线串:^\w+$
E-mail地址:^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$
URL:^[a-zA-Z]+://(\w+(-\w+)*)(\.(\w+(-\w+)*))*(\?\s*)?$
或:^http:\/\/[A-Za-z0-9]+\.[A-Za-z0-9]+[\/=\?%\-&_~`@[\]\':+!]*([^<>\"\"])*$
邮政编码:^[1-9]\d{5}$
中文:^[\u0391-\uFFE5]+$
电话号码:^((\(\d{2,3}\))|(\d{3}\-))?(\(0\d{2,3}\)|0\d{2,3}-)?[1-9]\d{6,7}(\-\d{1,4})?$
手机号码:^((\(\d{2,3}\))|(\d{3}\-))?13\d{9}$
双字节字符(包括汉字在内):^\x00-\xff
匹配首尾空格:(^\s*)|(\s*$)(像vbscript那样的trim函数)
匹配HTML标记:<(.*)>.*<\/\1>|<(.*) \/>
匹配空行:\n[\s| ]*\r
提取信息中的网络链接:(h|H)(r|R)(e|E)(f|F) *= *('|")?(\w|\\|\/|\.)+('|"| *|>)?
提取信息中的邮件地址:\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
提取信息中的图片链接:(s|S)(r|R)(c|C) *= *('|")?(\w|\\|\/|\.)+('|"| *|>)?
提取信息中的IP地址:(\d+)\.(\d+)\.(\d+)\.(\d+)
提取信息中的中国手机号码:(86)*0*13\d{9}
提取信息中的中国固定电话号码:(\(\d{3,4}\)|\d{3,4}-|\s)?\d{8}
提取信息中的中国电话号码(包括移动和固定电话):(\(\d{3,4}\)|\d{3,4}-|\s)?\d{7,14}
提取信息中的中国邮政编码:[1-9]{1}(\d+){5}
提取信息中的浮点数(即小数):(-?\d*)\.?\d+
提取信息中的任何数字 :(-?\d*)(\.\d+)?
IP:(\d+)\.(\d+)\.(\d+)\.(\d+)
电话区号:/^0\d{2,3}$/
腾讯QQ号:^[1-9]*[1-9][0-9]*$
帐号(字母开头,允许5-16字节,允许字母数字下划线):^[a-zA-Z][a-zA-Z0-9_]{4,15}$
中文、英文、数字及下划线:^[\u4e00-\u9fa5_a-zA-Z0-9]+$
匹配中文字符的正则表达式: [\u4e00-\u9fa5]
匹配双字节字符(包括汉字在内):[^\x00-\xff]
匹配空行的正则表达式:\n[\s| ]*\r
匹配HTML标记的正则表达式:/<(.*)>.*<\/\1>|<(.*) \/>/
sql语句:^(select|drop|delete|create|update|insert).*$
匹配首尾空格的正则表达式:(^\s*)|(\s*$)
匹配Email地址的正则表达式:\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*