Python: Regular Expression(Study Note)

• 正则表达式
  • 正则表达式规则
  • 经典正则表达式
  • IP地址的正则表达式
  • re 库的基本使用
    • Re 库主要功能函数
    • re.search()
    • re.match()
    • re.findall()
    • re.split()
    • re.finditer()
    • re.sub()
    • RE 库的另一种等价用法
  • RE 库的 match 对象
    • match 对象的属性
    • match 对象的方法
    • 示例代码
  • RE 库的贪婪匹配和最小匹配
    • 默认匹配
    • 最小匹配
    • 最小匹配操作符号

正则表达式

RE, regex, Regular expression 用简洁形式表示了一组字符串的 特征 或 模式 ，通用的字符串表达框架。

• 表达文本类型的特征
• 判断某个字符串的特征归属
• 同时查找或替换一组字符串
• 匹配字符串的全部或部分

用前需要编译，正则表达式由字符和操作符组成。

正则表达式规则

. 表示任何单个字符
[] 字符集，对单个字符给出取值范围
[^] 非字符集，对单个字符给出排除范围
* 前一个字符0次或者无限次扩展
+ 前一个字符1次或者无限次扩展
? 前一个字符0次或者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至n次，含n
^ 匹配字符串开头
$ 匹配字符串结尾
() 分组标记，内部只能使用|操作符
\d 数字，等价于[0-9]
\w 单个字符，等价于[A-Za-z0-9]

经典正则表达式

^[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，010-68912536

IP地址的正则表达式

\d.\d.\d.\d
\d{1,3}.\d{1,3}.\d{1,3},\d{1,3} # 不够准确
255.255.255.255 
0-99: [1-9]?[0-9]     [1-9]?\d      
100-199: 1[0-9]{2}    1\d{2}
200-249: 2[0-4][0-9]  2[0-4]\d
250-255: 25[0-5]      
四位 (.){3}()
(( [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] )

re 库的基本使用

Python 的标准库 正则表达式的表示类型: 原生字符串 raw string : r’text’ 原生字符串是不包含转译字符的字符串，当正则表达式包含 转义字符 时，使用raw string.

Re 库主要功能函数

• 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() 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() 搜索字符串，以列表类型返回全部能匹配的字符串
• re.split( pattern,string,maxsplit,flags) 返回列表类型
• re.finditer() 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)

  pattern: 正则表达式的字符串或原生字符串表示 maxsplit: 最大分割数，剩余部分作为最后一个元素输出

1. 常用标记：

   • re.I re.IGNORECASE 忽略正则表达式中的大小写
   • 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作匹配开始}
   • re.S re.DOTALL 正则表达式中的.操作符能够匹配所有字符，默认匹配除换行外的所有字符

re.search()

import re

match = re.search(r'[1-8]\d{5}','BIT 188888')
if match:
    print(match.group(0))

re.match()

match = re.match(r'[1-9]\d{5}','BIT 100299')
if match:
    pring(match.group(0))

print(match.group(0))

• match 是一个空变量

  match = re.match(r'[1-9]\d{5}','123456 BIT')
  print(match.group(0))
      
  

re.findall()

ls = re.findall(r'[1-9]\d{5}','BIT 123456 234567')
print(ls)

re.split()

re.split(r'[1-9]\d{5}','BIT 788222 JIH 892789 hi')

• 添加 maxsplit 约束

  re.split(r'[1-9]\d{5}','BIT 123456 JI 234556',maxsplit=1)
  

re.finditer()

for m in re.finditer(r'[1-9]\d{5}', 'BIT 190290 YUB223423'):
    if m:
	print(m.group(0))

re.sub()

re.sub(r'[1-9]\d{5}',':zipcode', 'BIT123456 TSU100022')

RE 库的另一种等价用法

上述是 函数式用法，一次性操作。 面向对象用法，编译后多次操作

• 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，仍有 search(), match(), split(), findall(), finiter(), sub() 函数。

  pat = re.compile(r'[1-9]\d{5}')
  rst = pat.search('BIJ 100821')
  print(rst.group(0))
      
  

RE 库的 match 对象

match 对象，一次匹配的结果

match 对象的属性

• .string 待匹配的文本
• .re 匹配时使用的pattern 对象
• .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())

示例代码

import re

m = re.search(r'[1-9]\d{5}','BIJ 123456 HUI123456')
if m:
    print(match.group(0))

print(m.string)
print(m.re)
print(m.pos)
print(m.endpos)

print(m.start())
print(m.end(),m.span())

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。

默认匹配

m = re.search(r'PY.*N', 'PYTHONNNN')
if m:
    print(m.group(0))

最小匹配

m = re.search(r'PY.*?N', 'PYANBNCNDN')
if m:
    print(m.group(0))

最小匹配操作符号

*? 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