正則表達式 （regular expression,regex,RE）
正則表達式是用來簡潔表達一組字符串的表達式
正則表達式是一種通用的字符串表達框架
正則表達式是一種針對字符串表達"簡潔"和"特征"思想的工具
正則表達式可以用來判斷某字符串的特征歸屬
正則表達式在文本處理中十分常用:
表達文本類型的特征(病毒、入侵等)
同時查找或替換一組字符串
匹配字符串的全部或部分 最主要應用在字符串匹配中
編譯:將符合正則表達式語法的字符串轉換成正則表達式特征
例如:regex='P(Y|YT|YTH|YTHO)?N' p=re.compile(regex) 特征(p)
正則表達式語法由字符和操作符構成
操作符 說明 實例
. 表示任何單個字符
[] 字符集，對單個字符給出取值范圍
[^ ] 非字符串，對單個字符給出排除范圍
前一個字符0次或無限次擴展
前一個字符1次或無限次擴展
? 前一個字符0次或1次擴展
| 左右表達式任意一個
{m} 擴展前一個字符m次
{m,n} 擴展前一個字符m次至n次(含n)
^ match字符串開頭
$ match字符串結尾
( ) 分組標記，內部只能使用|操作符
\d 數字等價于[0-9]
\w 單詞字符，等價于[A-Za-z0-9_]
舉例：P(Y|YT|YTH)?N PYTHON* PYTHON+ PY[TH]ON PY[^TH]?ON OY{:3}N ^ABC ABC$
經典正則表達式實例
^[A‐Za‐z]+$ 由26個字母組成的字符串
^[A‐Za‐z0‐9]+$ 由26個字母和數字組成的字符串
^‐?\d+$ 整數形式的字符串
^[0‐9][1‐9][0‐9]$ 正整數形式的字符串
[1‐9]\d{5} 中國境內郵政編碼6位
[\u4e00‐\u9fa5] 匹配中文字符
\d{3}‐\d{8}|\d{4}‐\d{7} 國內電話號碼
matchip地址的正則表達式
(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([0-9]?\d|1\d{2}|2[0-4]\d|25[0-5])
import re
re庫采用raw string類型表示正則表達式，表示為: r'text'
例如: r'[1-9]\d{5}'
raw string是不包含對轉義符再次轉義的字符串
re庫也可以采用string類型表示正則表達式，但更繁瑣 例如: '[1-9]\d{5}'
當正則表達式包含轉義符時，使用raw string
Re庫主要功能函數
re.search():在一個字符串中搜索match正則表達式的第一個位置，返回match對象
re.match():從一個字符串的開始位置起match正則表達式，返回match對象
re.findall():搜索字符串，以列表類型返回全部能match的子串
re.split():將一個字符串按照正則表達式match結果進行分割，返回列表類型
re.finditer():搜索字符串，返回一個match結果的迭代類型，每個迭代元素是match對象
re.sub():在一個字符串中替換所有match正則表達式的子串，返回替換后的字符串
re.search(pattern,string,flags=0) #match=re.search(r'[1-9]\d{5},'BIT 100081')
pattern:正則表達式的字符串或原生字符串表示
string:待match字符串
flags:正則表達式使用時的控制標記
常用標記以及說明
re.I re.IGNORECASE:忽略正則表達式的大小寫
re.M re.MULTILINE:正則表達式中的^操作符能夠將給定字符串的每行當做match開始
re.S re.DOTALL:正則表達式中的.操作符能夠match所有字符，默認match除換行外的所有字符
re.match(pattern, string, flags=0)
re.findall(pattern, string, flags=0)
re.split(pattern, string, maxsplit=0, flags=0)
maxsplit: 最大分割數，剩余部分作為最后一個元素輸出
re.finditer(pattern, string, flags=0)
re.sub(pattern, repl, string, count=0, flags=0)
repl : 替換匹配字符串的字符串
count : 匹配的最大替換次數
re庫的另一種等價用法
rst=re.search(r'[1-9]\d{5}') 函數式用法:一次性操作
pat=re.compile(r'[1-9]\d{5}') rat=pat.search('BIT 100081') 面向對象用法:編譯后的多次操作
regex = re.compile(pattern, flags=0) 將正則表達式的字符串形式編譯成正則表達式對象
pattern : 正則表達式的字符串或原生字符串表示
flags : 正則表達式使用時的控制標記
例如:regex=re.compile(r'[1-9]\d{5}')
match對象是一次匹配的結果，包含匹配的更多信息
屬性 說明
.string:待匹配的文本
.re:匹配時使用的patter對象（正則表達式）
.pos:正則表達式搜索文本的開始位置
.endpos:正則表達式搜索文本的結束位置
.group(0):獲得匹配后的字符串
.start():匹配字符串在原始字符串的開始位置
.end():匹配字符串在原始字符串的結束位置
.span():返回(.start(), .end())
Re庫的貪婪匹配和最小匹配
1、Re庫默認采用貪婪匹配，即輸出匹配最長的子串
例如:match=re.search(r'PY.*N','PYANBNCNDN')
match.group(0)
'PYANBNCNDN'
2、最小匹配:只要長度輸出可能不同的，都可以通過在操作符后增加?變成最小匹配
最小匹配操作符 說明
*?:前一個字符0次或無限次擴展，最小匹配
+?:前一個字符1次或無限次擴展，最小匹配
??:前一個字符0次或1次擴展，最小匹配
{m,n}?: 擴展前一個字符m至n次（含n），最小匹配
