正则表达式regular expression的概念
正则表达式:用来简洁表达一组字符串的表达式
正则表达式是一种通用的字符串表达框架
正则表达式是一种针对字符串表达“简洁”,“特征”思想的工具
可以用来判断字符串的特征归属
正则表达式的应用:在文本处理中十分常用
- 表达文本类型的特征(病毒,入侵)
- 同时查找或替换一组字符串
- 匹配字符串的全部或部分(主要应用)
正则表达式的使用
将符合正则表达式语法的字符串转换成正则表达式特征
正则表达式的语法
正则表达式语法有字符和操作符构成
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 |
1 | 左右表达式任意一个 | abc1def 表示abc或def |
{m} | 扩展前一个字符m次 | ab{2 }表示abb |
{m,n} | 扩展前一个字符m到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1操作符 | (abc)表示abc,(abc1edf)表示abc或def |
\d | 数字,等价于[0-9] | |
\w | 单词字符,等价于[A-Za-z0-9] |
注:“1”其实是"|"
匹配IP地址的正则表达式
IP地址分四段,每段0~255:
\d+.\d+.\d+.\d+. 或\d{1,3}.d{1,3}.d{1,3}.d{1,3}.
精确写法:
范围 | 表示 |
---|---|
0~99 | [1-9]?\d |
100~199 | 1\d{2} |
200~249 | 2[0-4]\d |
250~255 | 25[0-5] |
故:
(([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])
Re库的基本使用
Re是Python的标准库,主要用于字符串匹配
正则表达式的表示类型
一、raw string类型(原生字符串类型)
Re采用raw string类型表示正则表达式,表示为r’text’
raw string类型是不包含对转义符再次转义的字符串
二、string类型
表示为:’[1-9]\d{5}’
Re库主要功能函数
函数 | 说明 |
---|---|
re. search() | 在任一字符串中搜索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.spilt() | 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元素 |
re.sub() | 在一个字符串中替换所有匹配正则表达式的字串,返回替换后的字符串 |
re.search(pattern,string,flags=0) 除re.spilt(),re.sub()外相同
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,默认匹配换行符外的所有字符 |
re.spilt(pattern,string,maxspilt,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
maxspilt: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
re.sub(pattern,repl,string,count=0,flags=0)
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
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
Match对象的属性
属性 | 说明 |
---|---|
.string | 待匹配的文本 |
.re | 匹配时使用的patter对象即正则表达式 |
.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 |
.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()) |
>>>import re
>>> m = re.search(r'[1-9]\d{5}','BIT 100081 TSD 100084')
>>> m.string
'BIT 100081 TSD 100084'
>>> m.re
re.compile('[1-9]\\d{5}')
>>> m.pos #待匹配字符串开始的序号
0
>>> m.endpos #待匹配字符串结束的序号
21
>>> m.start()
4
>>> m.end()
10
>>> m.span()
(4, 10)
在这里插入代码片
Re库的贪婪匹配和最小匹配