正则表达式与Re库的使用

1.定义

regular expression（RE），正则表达式是用来简洁表达一组字符串的表达式。
正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式

2.正则表达式在文本处理中的常见用法

• 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

3.常用字符

3.1 匹配单个字符的元字符

符号	名称	作用
.	点号	匹配单个任意字符
,	分割	“或”
[...]	字符组	匹配单个列出的字符，字符间的关系是“或”
[^...]	排除型字符	匹配单个未列出的字符
\w		匹配任意数字、字母、下划线。等价于：[A-Za-z0-9_]
\W		\w的反义
\s		匹配任意空白字符
\S		\s的反义
\d		匹配任意数字。\d{2}表示连续出现2个数字
\D		\d的反义
\b		匹配单词的开始或结束的单个字符。\b[hello]匹配h，[hello]\b匹配o
\B		\b的反义
\	转义字符	对元字符转义成普通字符
\t	制表符	匹配一个制表符
\n	换行符	匹配一个换行符
\r	回车符	匹配一个回车符

3.2 提供计数功能的元字符

符号	名称	作用
?		0或1次
*		0或多次
+		1或多次
{min,max}	区间量词	出现的最少和最多次数

3.3 匹配位置的元字符

符号	名称	作用
^	脱字符	匹配一行的开头位置
$	美元符	匹配一行的结束位置
<	单词分界符	匹配单词的开始位置
>	单词分界符	匹配单词的结束位置

3.4 其他元字符

符号	名称	作用
(...)	括号	限定多选结构的范围，标注量词作用的元素，为反向引用捕获文本
\1\2	反向引用	匹配之前的第一、第二组括号内的表达式匹配的文本

3.5 一些等价写法

• ? 等价于匹配长度{0,1}
• * 等价于匹配长度{0,}
• + 等价于匹配长度{1,}
• \d 等价于[0-9]
• \D 等价于[^0-9]
• \w 等价于[A-Za-z_0-9]
• \W 等价于[^A-Za-z_0-9]

3.6 经典正则表达式实例

由26个字母组成的字符串：^[A‐Za‐z]+$
由26个字母和数字组成的字符串：^[A‐Za‐z0‐9]+$
整数形式的字符串：^‐?\d+$
正整数形式的字符串：^[0‐9][1‐9][0‐9]$
中国境内邮政编码，6位：[1‐9]\d{5}
匹配中文字符：[\u4e00‐\u9fa5]
国内电话号码，如010‐68913536：\d{3}‐\d{8}|\d{4}‐\d{7}
IP地址：(([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])

4.正则表达式在python中的使用

4.1 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（原生字符串类型）

r'[1-9]\d{5}'   # raw string是不包含对转义符再次转义的字符串
# 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
p = re.compile("r'[1-9]\d{5}'")   # p是得到的一组匹配的字符串

4.2 Re库的主要功能函数

函数	说明
re.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
re.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
re.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
re.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
re.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
re.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

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
===
pat = re.compail(r'[1‐9]\d{5}')
rst = pat.search('BIT 100081')    //面向对象用法：一次编译，多次使用

4.3 Re库的Match对象

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

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())

4.4 Re库的贪婪匹配和最小匹配

1. Re库默认采用贪婪匹配，即输出匹配最长的子串
   例如：

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

>>>'PYANBNCNDN

2. 只要长度输出可能不同的，都可以通过在操作符后增加?变成最小匹配

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