正则表达式(知识总结篇)

本篇文章主要是针对初学者，对正则表达式的理解、作用和应用

---

一、🍉正则表达式的概述

• 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

1. 表达式文本类型的特征（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

二、🍉正则表达式的语法和使用

1. 语法：

   正则表达式语法由字符和操作符构成

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

2. 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。

三、 🍉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、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av、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|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]

四、🍉re库主要功能函数

函数	说明
re.search(pattern, string)	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(pattern, string)	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(pattern, string)	搜索字符串，以列表类型返回全部能匹配的子串
re.split(pattern, string)	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(pattern, string)	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(pattern, string)	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.compile(pattern[, flags])
re.escape(string)

---

re模块中常用函数的简单介绍：

语法：

re.函数(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

1. re.search(pattern, string，flags=0):
   在字符串中搜索匹配正则表达式pattern的第一个位置，返回一个匹配对象，如果没有找到匹配的，则返回None。

   import re
   match = re.search(r'\d+', 'hello 123 world')
   if match:
       print('找到匹配:', match.group())
   else:
       print('未找到匹配')
   

2. re.match(pattern, string，flags=0):
   从字符串的起始位置匹配正则表达式pattern，如果起始位置没有匹配到，则返回None。注意这与search()不同，search()会扫描整个字符串以查找匹配项。

   match = re.match(r'\d+', '123 hello world')
   if match:
       print('找到匹配:', match.group())
   else:
       print('未找到匹配')
   

3. re.findall(pattern, string):
   返回字符串中所有与正则表达式pattern相匹配的所有非重叠匹配项的列表。如果未找到匹配项，则返回空列表。

   matches = re.findall(r'\b\w+\b', 'Hello World! This is a test.')
   print(matches)
   # 输出：['Hello', 'World', 'This', 'is', 'a', 'test']
   

4. re.sub(pattern, repl, string, count=0, flags):
   将字符串中所有与正则表达式pattern匹配的部分替换为repl，并返回修改后的字符串。count参数可以指定替换的最大次数，默认为0，表示替换所有匹配项。

   result = re.sub(r'\d+', 'NUMBER', 'hello 123 world 456')
   print(result)
   # 输出：'hello NUMBER world NUMBER'
   

5. re.compile(pattern[, flags]):
   编译正则表达式字符串为一个正则表达式对象，这样可以提高使用相同模式进行多次匹配的效率。

   pattern = re.compile(r'\d+')
   match = pattern.match('123 hello')
   if match:
       print('找到匹配:', match.group())
   

6. re.escape(string):
   转义字符串中的特殊字符，使得它们在正则表达式中作为字面值字符对待。

   pattern = re.compile(re.escape('[') + r'\d+' + re.escape(']'))
   match = pattern.search('[123]')
   if match:
       print('找到匹配:', match.group())
   

7. re.split(pattern,string,maxsplit=0,flags=0):

   将一个字符串按照正则表达式匹配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
   result1=re.split(r'[1-9]\d{5}','BIT100081 TSU100084')
   print(result1)
   result2=re.split(r'[1-9]\d{5}','BIT100081 TSU100084',maxsplit=1)
   print(result2)
   

8. re.finditer(pattern, string):

   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))
   

拓展:

1. re库的另一种等价用法：

# 第一种 函数式用法：一次性操作
rst=re.search(r'[1-9]\d{5}','BIT 100081')
# 第二种 面对对象用法：编译后的多次操作
pat=ree.compile(r'[1-9]\d{5}')
rst=pat.search('BIT 100081')

2. match对象介绍

   Match对象一次匹配的结果，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))
   

   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（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
   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())
   

3. 贪婪匹配

   Re默认采用贪婪匹配，即输出匹配最长的字串

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

   最小匹配：如何输出最短的子串呢？

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

   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

4. 典型例子：

   在Python中，可以使用re模块（正则表达式模块）来匹配IP地址。一个基本的IPv4地址由四个0到255之间的数字组成，每部分之间用点(“.”)分隔。下面是一个简单的例子，展示了如何编写一个正则表达式来匹配这样的IP地址：

import re

def is_valid_ip(ip):
    # 定义IP地址的正则表达式
    ip_pattern = re.compile(r'^((25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$')
    # 使用正则表达式匹配IP地址
    if ip_pattern.match(ip):
        return True
    else:
        return False
    
if __name__ == '__main__':
    # 测试函数
    ips = ["192.168.1.1", "255.255.255.255", "123.456.789.0", "1.2.3"]
    for ip in ips:
        print(f"{ip}: {is_valid_ip(ip)}")

这段代码首先导入了re模块，并定义了一个函数is_valid_ip，该函数使用一个正则表达式来检查输入的字符串是否符合IPv4地址的格式。正则表达式的详细解释如下：

• ^：表示字符串的开始。
• ((25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}：这部分匹配前三部分的数字，每部分数字范围是0到255，后面跟着一个点(“.”)。其中，
  • 25[0-5] 匹配从250到255的数字，
  • 2[0-4][0-9] 匹配从200到249的数字，
  • [01]?[0-9][0-9]? 匹配0到199的数字，包括前导零的情况。
  • \. 表示匹配点字符本身（因为点在正则表达式中有特殊含义，所以需要用反斜杠转义）。
• (25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$：这部分匹配第四部分的数字，后面跟上字符串的结束标志$。

经典正则表达式实例：

表达式	解释
^ [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

---