正则表达式

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
正则表达式是一种通用的字符串表达框架
正则表达式是一种针对字符串表达"简洁"和"特征"思想的工具
正则表达式可以用来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:
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 最主要应用在字符串匹配中

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
例如:regex='P(Y|YT|YTH|YTHO)?N' p=re.compile(regex) 特征(p)

正则表达式语法由字符和操作符构成

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
[^ ] 非字符串，对单个字符给出排除范围

•   前一个字符0次或无限次扩展
  

•   前一个字符1次或无限次扩展
  

? 前一个字符0次或1次扩展
| 左右表达式任意一个
{m} 扩展前一个字符m次
{m,n} 扩展前一个字符m次至n次(含n)
^ match字符串开头
$ match字符串结尾
( ) 分组标记，内部只能使用|操作符
\d 数字等价于[0-9]
\w 单词字符，等价于[A-Za-z0-9_]
举例：P(Y|YT|YTH)?N PYTHON* PYTHON+ PY[TH]ON PY[^TH]?ON OY{:3}N ^ABC ABC$

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][1‐9][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

matchip地址的正则表达式
(([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是不包含对转义符再次转义的字符串
re库也可以采用string类型表示正则表达式，但更繁琐 例如: '[1-9]\d{5}'
当正则表达式包含转义符时，使用raw string

Re库主要功能函数
re.search():在一个字符串中搜索match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match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match的子串
re.split():将一个字符串按照正则表达式match结果进行分割，返回列表类型
re.finditer():搜索字符串，返回一个match结果的迭代类型，每个迭代元素是match对象
re.sub():在一个字符串中替换所有match正则表达式的子串，返回替换后的字符串

re.search(pattern,string,flags=0) #match=re.search(r'[1-9]\d{5},'BIT 100081')
pattern:正则表达式的字符串或原生字符串表示
string:待match字符串
flags:正则表达式使用时的控制标记

常用标记以及说明
re.I re.IGNORECASE:忽略正则表达式的大小写
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match开始
re.S re.DOTALL:正则表达式中的.操作符能够match所有字符，默认match除换行外的所有字符

re.match(pattern, string, flags=0)

re.findall(pattern, string, flags=0)

re.split(pattern, string, maxsplit=0, flags=0)
maxsplit: 最大分割数，剩余部分作为最后一个元素输出

re.finditer(pattern, string, flags=0)

re.sub(pattern, repl, string, count=0, flags=0)
repl : 替换匹配字符串的字符串
count : 匹配的最大替换次数

re库的另一种等价用法
rst=re.search(r'[1-9]\d{5}') 函数式用法:一次性操作
pat=re.compile(r'[1-9]\d{5}') rat=pat.search('BIT 100081') 面向对象用法:编译后的多次操作

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
pattern : 正则表达式的字符串或原生字符串表示
flags : 正则表达式使用时的控制标记
例如:regex=re.compile(r'[1-9]\d{5}')

match对象是一次匹配的结果，包含匹配的更多信息
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
.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
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、最小匹配: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
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