re 正则表达式

re

正则表达式

re 库采用 raw string 类型表示正则表达式，表示为 r'text'（防 \ 转义）

字符:

• .匹配除换行符以外的任意字符
• []字符集
• [^]非字符集
• |左右表达式任意一个
• ^匹配字符串的开始
• $匹配字符串的结束
• ()分组标记
• \w匹配字母或数字或下划线或汉字,等价于[A-Za-z0-9_]
• \s匹配任意的空白符
• \d匹配数字,等价于[0-9]
• \b匹配单词的开始或结束
• \W匹配非[A-Za-z0-9]
• \D匹配非数字

次数:

• *重复零次或更多次
• +重复一次或更多次
• ?重复零次或一次
• {n}重复n次
• {n,}重复n次或更多次
• {n,m}重复n到m次

常用正则：

• .*?
  匹配所有字符
• ^[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}
  中国境内的邮政编码，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
• ^(25[0-5]|2[0-4]\d|[0-1]?\d?\d)(.(25[0-5]|2[0-4]\d|[0-1]?\d?\d)){3}$
  IP
• ^1[3|4|5|8][0-9]\d{8}$
  手机号

1、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
1、 pattern ： 正则表达式的字符串或原生字符串表示
2、 string ： 要匹配的字符串
3、 flag ： 正则表达式使用时的控制标记

常用 flag：

• re.I reIGNORECASE
  忽略正则表达式的大小写，[A-Z]能够p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 . 操作符能匹配所有字符

>>> import re
>>> obj = re.match('\d+', '123uuasf')
>>> if obj:
            print obj.group()
123

2、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

>>> import re
>>> obj = re.search('\d+', 'u123uu888asf')
>>> if obj:
            print(obj.group())
123

group 和 groups

一般，m.group(N) 返回第N组括号匹配的字符。而m.group() == m.group(0) == 所有匹配的字符，与括号无关，这个是API规定的。
m.groups() 返回所有括号匹配的字符，以tuple格式。
m.groups() == (m.group(0), m.group(1), ...)

>>> a = "123abc456"
>>> print (re.search("([0-9]*)([a-z]*)([0-9]*)", a).group())
123abc456
>>> print (re.search("([0-9]*)([a-z]*)([0-9]*)", a).group(0))
123abc456
>>> print (re.search("([0-9]*)([a-z]*)([0-9]*)", a).group(1))
123
>>> print (re.search("([0-9]*)([a-z]*)([0-9]*)", a).group(2))
abc
>>> print (re.search("([0-9]*)([a-z]*)([0-9]*)", a).groups())
('123', 'abc', '456')
>>> 

3、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

>>> import re
>>> obj = re.findall('\d+', 'fa123uu888asf')
>>> print(obj)
['123', '888']

4、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
repl : 替换匹配字符串的字符串
count : 匹配的最大替换次数

>>> content = "123abc456"
>>> new_content = re.sub('\d+', 'sb', content)
>>> new_content
'sbabcsb'
>>> new_content2 = re.sub('\d+', 'sb', content, 1)
>>> new_content2
'sbabc456'

5、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

6、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

7、re 库的另一种等价用法

函数式用法

>>> rst = re.search(r'[1-9]\d{5}', 'Boom 233233')

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( 'Boom 233233')

8、re 库 的 match 对象

>>> import re
>>> match = re.search(r'[1-9]\d{5}', 'Boom 233233')
>>> if match:
    print(match.group(0))

    
233233
>>> type(match)
<class '_sre.SRE_Match'>
>>> 

match 对象的属性

• .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

• .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())

>>> match.string
'Boom 233233'
>>> match.re
re.compile('[1-9]\\d{5}')
>>> match.pos
0
>>> match.endpos
11
>>> match.start()
5
>>> match.end()
11

9、贪婪匹配和最小匹配

re 库默认采用贪婪匹配，即输出匹配最长的子串

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

最小匹配操作符

• *? 与不加 ？ 一样，不过是最小匹配
• +?
• ??
• {n, m}?

10、另

>>> str = '800+","CommentCount":4800,"AverageScore":5,"Goo'
>>> a = re.findall(r'"CommentCount":(\d*),"',str)
>>> a
['4800']
>>> b = re.findall(r'"CommentCount":\d*,"', str)
>>> b
['"CommentCount":4800,"']

如果加 () 会返回匹配条件的 括号内 字符串。不加则返回匹配条件的 全部字符串