正則表達式

正則表達式

RE, regex, Regular expression 用簡潔形式表示了一組字符串的特徵或模式，通用的字符串表達框架。

表達文本類型的特徵
判斷某個字符串的特徵歸屬
同時查找或替換一組字符串
匹配字符串的全部或部分

用前需要編譯，正則表達式由字符和操作符組成。

正則表達式規則

. 表示任何單個字符
[] 字符集，對單個字符給出取值範圍
[^] 非字符集，對單個字符給出排除範圍
* 前一個字符0次或者無限次擴展
+ 前一個字符1次或者無限次擴展
? 前一個字符0次或者1次擴展
| 左右表達式任意一個
{m} 擴展前一個字符m次
{m,n} 擴展前一個字符m至n次，含n
^ 匹配字符串開頭
$ 匹配字符串結尾
() 分組標記，內部只能使用|操作符
\d 數字，等價於[0-9]
\w 單個字符，等價於[A-Za-z0-9]

經典正則表達式

^[A-Za-z]+$ 由26個字母組成的字符串
^[A-Za-z0-9]+$ 由26個字母和數字組成的字符串
^-?\d$ 整數形式的字符串
^[0-9]*[1-9][0-9]*$ 正整數形式的字符串
[1-9]\d{5} 中國境內郵政編碼，6位
[\u4e00-\u9fa5] 匹配中文字符
\d{3}-\d{8}|\d{4}-\d{7} 國內電話號碼，010-68912536

IP地址的正則表達式

\d.\d.\d.\d
\d{1,3}.\d{1,3}.\d{1,3},\d{1,3} # 不夠準確
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 庫的基本使用

Python 的標準庫正則表達式的表示類型: 原生字符串 raw string : r’text’ 原生字符串是不包含轉譯字符的字符串，當正則表達式包含 轉義字符 時，使用raw string.

Re 庫主要功能函數

re.search(pattern,string,flags=0) 在一個字符串中搜索匹配正則表達式的第一個位置，返回match 對象
re.match() 從一個字符串的開始位置起匹配正則表達式，返回match 對象
re.findall() 搜索字符串，以列表類型返回全部能匹配的字符串
re.split( pattern,string,maxsplit,flags) 返回列表類型
re.finditer() 搜索字符串，返回一個匹配結果的迭代類型，每個迭代元素是match 對象
re.sub(pattern,repl,string,count=0,flags=0)

pattern: 正則表達式的字符串或原生字符串表示 maxsplit: 最大分割數，剩餘部分作爲最後一個元素輸出

常用標記：
- re.I re.IGNORECASE 忽略正則表達式中的大小寫
- re.M re.MULTILINE 正則表達式中的^{操作符能夠將給定字符串的每行當作匹配開始}
- re.S re.DOTALL 正則表達式中的.操作符能夠匹配所有字符，默認匹配除換行外的所有字符

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 是一個空變量

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 約束

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 庫的另一種等價用法

上述是函數式用法，一次性操作。面向對象用法，編譯後多次操作

regex = re.compile(pattern,flags=0) 將正則表達式的字符串形式編譯成正則表達式對象，仍有 search(), match(), split(), findall(), finiter(), sub() 函數。
```
pat = re.compile(r'[1-9]\d{5}')
rst = pat.search('BIJ 100821')
print(rst.group(0))
```

RE 庫的 match 對象

match 對象，一次匹配的結果

match 對象的屬性

.string 待匹配的文本
.re 匹配時使用的pattern 對象
.pos 正則表達式搜索文本的開始位置
.endpos 正則表達式搜索文本的結束位置

match 對象的方法

group(0) 獲得匹配後的字符串
start() 匹配字符串在原始字符串的開始位置
end() 匹配字符串在原始字符串的結束位置
span() 返回 (.start(), .end())

示例代碼

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 庫的貪婪匹配和最小匹配

RE 庫默認採用貪婪匹配，即輸出匹配最長的子串。

默認匹配

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))

最小匹配操作符號

*? 前一個字符0次或無限次擴展，最小匹配
+? 前一個字符1次或無限次擴展，最小匹配
?? 前一個字符0次或1次擴展，最小匹配
{m,n}? 擴展前一個字符m 至 n次(含n),最小匹配

Python-正則表達式(筆記)