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。
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]+
整数形式的字符串:^‐?\d+
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
- 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
- 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 |