何为正则表达式
正则表达式是用来简洁表达一组字符串的表达式。又称为regular expression 、regex或 RE
作用:
1、表达文本类型的特征(病毒、入侵等)
2、同时查找或替换一组字符串
3、匹配字符串的全部或部分
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。
语法:
正则表达式语法由字符和操作符构成
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、abe、abcc、abecc等 |
+ | 前一个字符1次或无限次扩展 | abc+表示abc、abec、abccc等 |
? | 前一个字符出现或者不出现 | abe?表示ab、abe |
| | 左右表达式任意一个 | abcldef 表示abc、def |
{m} | 扩展前一个字符m次 | ab{2}c表示abbe |
{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abe且在一个字符串的开头 |
$ | 匹配字符串结尾 | abes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abe、def |
\d | 数字,等价于[0-9] | |
\w | 单词字符,等价于[A-Za-z0-9_] |
值得注意的是:
1、多数字母和数字前加一个反斜杠时会拥有不同的含义。
2、标点符号只有被转义时才匹配自身,否则它们表示特殊的含义。
3、反斜杠本身需要使用反斜杠转义。
正则表达式语法实例:
经典正则表达式实例:
匹配IP地址的正则表达式
Re库的基本使用
主要功能函数
1、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。
即正则表达式是一种简洁的代表一类字符串的表达式,我们通过它(pattern)来在已知的字符串(string)中寻找(匹配)这一类字符串(子串)
·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
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.DorALL)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}','BIT 100081')
if match :
print(match.group(0))
此例中我们通过邮政编码的正则表达式r'[1-9]\d{5}'来在已知字符串BIT 100081中寻找符合邮政编码类型的子串即10081
Output:
100081
2、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。需要注意的是 match 函数是从字符串开始处开始查找的,如果开始处不匹配,则不再继续寻找,返回值为 一个 SRE_Match 对象,找不到时返回 None
import re
match = re.match(r'[1-9]\d{5}','BIT 100081')
if match:
print(match.group(0))
Output:
我们发现结果为空
由于是从开始位置起匹配,而给出的字符串的开始是BIT,不符合[1-9]\d{5},故没有匹配结果
import re
match = re.match(r'[1-9]\d{5}','BIT 100081')
print(type(match))
Output:
<class 'NoneType'>
我们改变一下字符串的顺序
import re
match = re.match(r'[1-9]\d{5}','100081 BIT')
if match:
print(match.group(0))
Output:
100081
可见search与match的区别在于:
match要求待匹配的子串必须在字符串的起始位置,而search则无此要求
3、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。
import re
ls = re.findall(r'[1-9]\d{5}','100081BIT TSU100084')
print(type(ls))
print(ls)
Output:
<class 'list'>
['100081', '100084']
4、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。
maxsplit:最大分割数,剩余部分作为最后一个元素输出
import re
ls = re.split(r'[1-9]\d{5}','BIT100081 TSU100084')
print(type(ls))
print(ls)
Output:
<class 'list'>
['BIT', ' TSU', '']
可见此函数是将匹配的子串去掉,去掉之后的部分分别作为分割的字符串元素放在列表里
增加maxsplit
import re
ls = re.split(r'[1-9]\d{5}','BIT100081 TSU100084',maxsplit=1)
print(ls)
Output:
['BIT', ' TSU100084']
可见只匹配第一个位置的字符串,之后的不分割,作为一个列表的元素输出
此方法也可弥补.split方法只能分割单个字符的不足,可以实现对字符串的多次分割,实例如下:
import re
str = "Name:Yuanzheng,Age:21"
l = re.split(r'\:|\,',str)
print(l)
Output:
['Name', 'Yuanzheng', 'Age', '21']
5、finditer(pattern,string,flags=0)
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。
import re
for m in re.finditer(r'[1-9]\d{5}','BIT100081 TSU100084'):
if m:
print(m.group(0))
Output:
100081
100084
6、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。
repl:替换匹配字符串的字符串
count:匹配的最大替换次数
import re
m = re.sub(r'[1-9]\d{5}','zipcode','BIT100081 TSU100084')
if m:
print(m)
Output:
BITzipcode TSUzipcode
Re库的另一种等价用法
正则表达式的表示类型
raw string类型(原生字符串类型,是不包含转义符的字符串)re库采用此类型表示正则表达式,表示为:r’text’
string类型,更繁琐。
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
·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
无论是raw string还是string类型都只是一种表示类型,而经过编译后的regex才是正则表达式对象,它代表了一组字符串
需要注意的是,由于这种方法是对raw string经过了编译,故这6个函数后面的参数就不需要pattern了!
Re库的match对象
属性
.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
.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)…end0)
import re
match = re.search(r'[1-9]\d{5}','BIT100081 TSU100084')
print(match.string)
print(match.re)
print(match.pos)
print(match.endpos)
print(match.group(0))
print(match.start())
print(match.end())
print(match.span())
Output:
BIT100081 TSU100084
re.compile('[1-9]\\d{5}')#可见python默认匹配时使用的pattern对象(正则表达式)是经过编译后的
0
19
100081
3
9
(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。
import re
match = re.search(r'PY.*N','PYANBNCNDN')
print(match.group(0))
Output:
PYANBNCNDN
改为最小匹配的方法:在扩展操作符后加?
import re
match = re.search(r'PY.*?N','PYANBNCNDN')
print(match.group(0))
Output:
PYAN