1. 前言
正则表达式(Regular Expression)又称RegEx,是用来匹配字符的一种工具。在一大串字符中寻找你需要的内容,它常被用在很多方面。比如,网页爬虫、文稿整理、数据筛选等等。正则表达式绝对不是一天就能学会和记住的。因为表达式里面的内容非常多,强烈建议,现在这个阶段,你只需要了解正则都有什么,不用记住,等你真正需要用到它的时候,再反过头来,好好琢磨,那个时候才是你需要训练自己记住这些表达式。
2. Regular Expression(正则表达式)
正则表达式是用来简洁表达一组字符串的表达式。一个表达式,可以代表一组字符串。为什么使用正则表达式呢?主要原因在于它的简洁。可以将一组字符串的特点表示出来。
正则表达式:
- 通用的字符串表达框架
- 简洁表达一组字符串的表达式
- 针对字符串表达的“简洁”和”特征“思想的工具
- 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,后面我们会看到很多例子。
正则表达式的使用:
- 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,而这个特征可以表示一组字符串。
3. 正则表达式的语法
正则表达式语法由字符和操作符构成。
3.1.常用操作符
操作符 | 说明 | 实例 |
---|---|---|
. | 表示任何单个字符(不包括换行符) | |
[ ] | 字符集,对单个字符给出取值范围 | [abc]表示a、b、c,[a-z]表示a到z单个字符 |
[ ^ ] | 非字符集,对单个字符给出排除范围 | [ ^abc]表示非a且非b且非c的单个字符 |
* | 前一个字符0次或无限次扩展 | abc*表示ab、abc、abcc、abccc等 |
+ | 前一个字符1次或无限次扩展 | abc+表示abc、abcc、abccc等 |
? | 前一个字符0次或1次扩展 | abc+表示ab、abc |
| | 左右表达式任意一个 | abc|def表示abc、def |
{m} | 扩展前一个字符m次 | ab{2}c表示abbc |
{m,n} | 扩展前一个字符m至n次(含n) | ab{1,2}c表示abc、abbc |
^ | 匹配字符串开头 | ^abc表示abc且在一个字符串的开头 |
$ | 匹配字符串结尾 | abc $表示abc且在一个字符串的结尾 |
() | 分组标记,内部只能使用 | 操作符 | (abc)表示abc,(abc|def)表示abc、def |
\d | 数字,等价于[0-9] | |
\w | 单词字符,等价于[A-Za-z0-9_] | |
\s | 空白符,表示空格,换行符,制表符等 |
3.2 正则表达式语法实例:
正则表达式 | 对应字符串 |
---|---|
P(Y|YT|YTH|YTHO)?N | ‘PN’、‘PYN’、‘PYTN’、‘PYTHN’、‘PYTHON’ |
PYTHON+ | ‘PYTHON’、‘PYTHONN’、‘PYTHONNN’… |
PY[TH]ON | ‘PYTON’、‘PYHON’ |
PY[ ^TH]?ON | ‘PYON’、‘PYaON’、‘PYbON’、‘PYcON’… |
PY{:3}N | ‘PN’、‘PYN’、‘PYYN’、‘PYYYN’ |
3.3 经典正则表达式实例
说明 | 正则表达式 |
---|---|
由26个英文字母组成的字符串 : | ^ [A-Za-z]+$ |
由26个英文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} |
匹配中文字符串 | [\u4e00-\u9fa5] |
国内电话号码,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.Re库介绍
Re库是Python的标准库,主要用于字符串匹配。
正则表达式的表示类型:
- raw string 类型(原生字符串类型)
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}’,在字符串前加一个r。raw string是不包含转义符的字符串。 - string类型,更繁琐。因为string类型认为’\‘是一个转义字符。所以,要想表达刚刚的字符串表达式,就要写成:’[1-9]\\d{5}’
Re库的主要功能函数
函数 | 说明 |
---|---|
re.search() | 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子串 |
re.split() | 将一个字符串按照正则表达式的结果进行分割,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() | 在一个字符串中替换所有匹配正则表达式的字串,返回替换后的字符串 |
4.1每个函数的具体介绍
- re.search(pattern,string,flags=0)
pattern:正则表达式的字符串或原生字符串表示
string:待匹配字符串
flags:正则表达式使用时的控制标记
常用标记 | 说明 |
---|---|
re.I | 忽略正则表达式的大小写,[A-Z]能够匹配小写字符 |
re.M | 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 | 正则表达式中的 . 操作符能够匹配所有字符(包括换行符),默认匹配除换行外的所有字符串 |
>>> import re
>>> match=re.search(r'[1-9]\d{5}','BIT 100081')
>>> if match:
print(match.group(0))
100081
- re.match(pattern,string,flags=0)
>>> match=re.match(r'[1-9]\d{5}','BIT 100081')
>>> if match:
match.group(0) #因为match是从一个字符串的起始位置开始匹配,所以没有匹配成功。
>>> match=re.match(r'[1-9]\d{5}','100081 BIT')
>>> if match:
match.group(0) #因为match是从一个字符串的起始位置开始匹配,匹配到100081。
'100081'
- re.findall(pattern,string,flags=0)
>>> ls=re.findall(r'[1-9]\d{5}','BIT100081 TSU100084')
>>> ls
['100081', '100084']
- 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.split(r'[1-9]\d{5}','BIT100081 TSU100084')
['BIT', ' TSU', ''] #将匹配的部分去除,去掉之后的部分分别作为分割字符串的元素放在列表里
>>> re.split(r'[1-9]\d{5}','BIT100081 TSU100084',maxsplit=1)
['BIT', ' TSU100084']
- re.finditer(pattern,string,flags=0)
>>> for m in re.finditer(r'[1-9]\d{5}','BIT100081 TSU100084'):
if m:
print(m.group(0))
100081
100084
- 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.sub(r'[1-9]\d{5}',':zipcode','BIT100081 TSU100084')
'BIT:zipcode TSU:zipcode'
4.2 Re库的另一种等价用法:
- 函数式用法:一次性操作
>>> rst = re.srarch(r'[1-9]\d{5}','BIT 100081')
- 面型对象用法:编译后的多次操作
>>> pat = re.compile(r'[1-9]\d{5}') #将正则表达式的字符串编译成正则表达式对象
>>> rst = pat.search('BIT 100081') #当多次需要使用正则表达式时,这样做很方便。
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
正则表达式对象的方法也和Re库中方法相同,只是把参数中的正则表达式字符串去掉即可(因为已经编译过了)。
4.3 Match对象
上边的Re库函数中有几个返回的都是match对象,这里讲解一下。
Match对象属性:
属性 | 说明 |
---|---|
.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 |
>>> m=re.search(r'[1-9]\d{5}','BIT100081 TSU100084')
>>> m.string
'BIT100081 TSU100084'
>>> m.re
re.compile('[1-9]\\d{5}')
>>> m.pos
0
>>> m.endpos
19
Match对象方法:
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()),元组类型 |
>>> m=re.search(r'[1-9]\d{5}','BIT100081 TSU100084')
>>> m.group(0) #match对象只返回第一次匹配的结果
'100081'
>>> m.start()
3
>>> m.end()
9
>>> m.span()
(3, 9)
5. Re库的贪婪匹配和最小匹配
Re库默认采用贪婪匹配,即输出匹配最长的字串。
>>> match = re.search(r'PY.*N','PYANBNCNDN')
>>> match.group(0)
'PYANBNCNDN'
如何输出最短字串?加一个‘?’即可。
>>> match = re.search(r'PY.*?N','PYANBNCNDN')
>>> match.group(0)
'PYAN'
最小匹配操作符
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 |
6. 总结
文章对Re库进行了简单的介绍,讲解了一些方法,这些都是比较基础的东西。对这些知识都要很清楚。后面我会用几个实例来将前面所讲的Requests库、BeautifulSoup库、Re库等串联起来,更具形式的讲解。后续更新,请多多关注~~
文章如有不当之处,还请多多指教~~
❤️