正则表达式
regular expression regex RE
正则表达式是用来简洁表达一组字符串的表达式。
'PN'
'PYN'
'PYTN'
'PYTHN'
'PYTHON'
正则表达式：P(Y|YT|YTH|YTHO)?N
'PY'
'PYY'
'PYYY'
.....
'PYYYYYY....'
正则表达式：PY+
'PY'开头
后续存在不多于10个字符
后续字符不能是'P'或'Y'
正则表达式：PY[^PY]{0,10}
- 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时分常用
- 表达文本类型的特征（病毒、入侵等）
- 同时查找或替换一组字符串
- 匹配字符串的全部或部分
正则表达式的使用
- 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。
正则表达式的语法
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且在一个字符串的结尾 | |
| $ | 匹配字符串结尾 | abc$表示abc且在一个字符串的结尾 | |
| () | 分组标记，内部职能使用或操作符 | (abc)表示abc，(abc | def)表示abc、def |
| \d | 数字，等价[0-9] |
经典正则表达式实例
^[A-Za-z]+$ 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][1-0][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
匹配IP地址的正则表达式
IP地址字符串形式的正则表达式（IP地址分4段，每段0-255）
\d+.\d+.\d+.\d+
\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}
精确写法
0-99: [1-9]?\d
100-199: 1\d{2}
200-249: 2[0-4]\d
250-255: 25[0-5]
(([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库是Python的标准库，主要用于字符串匹配。
调用方式：import re
正则表达式的表示类型
- raw string类型（原声字符串类型）
- string类型，更繁琐。
re库采用raw string类型表示正则表达式，表示为：r'text'
例如：
r'[1-9]\d{5}'（raw string）
'[1-9]\d{5}'（string）
raw string 是不包含转义字符的字符串
当正则表达式里有转义字符的时候使用 raw string
Re库主要功能函数
| 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，每隔迭代元素是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 |
re.search(pattern, string, flag=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
- 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做匹配开始 |
| 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 |
Re库的另一种等价用法
rst = re.search(r'[1-9]\d{5}', 'BIT 100081')
函数式用法：一次性操作
面向对象用法：编译后的多次操作
pat = re.compile(r'[1-9]\d{5}')
rst = pat.search('BIT 100081')
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
Match对象的属性
| 属性 | 说明 |
|---|---|
| .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 |
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()） |
Re库的贪婪匹配和最小匹配
贪婪匹配
Re库默认采用贪婪匹配，即输出匹配最长的字符
match = re.search(r'PY.N', 'PYANBNCNDN')
match.group(0)
'PYANBNCNDN'
最小匹配
match = re.search(r'PY.?N', 'PYANBNCNDN')
match.group(0)
'PYAN'
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 |
