Python: Re(正则表达式)库入门

文章背景：正则表达式是用来简洁表达一组字符串的表达式。正则表达式可以用来判断某字符串的特征归属，主要用于字符串匹配中。本文介绍正则表达式的基本用法。

1 正则表达式的常用操作符

2 经典正则表达式实例

3 Re库的基本使用

3.1 正则表达式的表示类型

3.2 Re库主要功能函数

3.2.1 re.search(pattern, string, flags=0)

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

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

3.2.4 re.split(pattern, string, maxsplit=0, flags=0)

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

3.2.6 re.sub(pattern, repl, string, count=0, flags=0)

3.3 Re库的另一种等价用法

3.4 Re库的match对象

3.5 Re库的贪婪匹配与最小匹配

1 正则表达式的常用操作符

2 经典正则表达式实例

3 Re库的基本使用

3.1 正则表达式的表示类型

（1）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}'，r'\d{3}-\d{8}|\d{4}-\d{7}'

raw string是指不包含对转义符再次转义的字符串。

（2）string类型

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}'，'\\d{3}-\\d{8}|\\d{4}-\\d{7}'

建议：当正则表达式包含转义符时，使用raw string。

3.2 Re库主要功能函数

3.2.1 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。

• 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。

import rematch = re.search(r'[1-9]\d{5}','BIT 100081')
if match:
    print(match.group(0))

100081

3.2.2 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。

import re
match = re.match(r'[1-9]\d{5}','BIT 100081')
if match:
    print(match.group(0))
type(match)

NoneType

import re
match = re.match(r'[1-9]\d{5}','100081 BIT')
if match:
    print(match.group(0))

100081

3.2.3 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。

import re
ls = re.findall(r'[1-9]\d{5}','BIT100081 TSU100084')
ls

['100081', '100084']

3.2.4 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。

• maxsplit: 最大分割数，剩余部分作为最后一个元素输出。

import re
re.split(r'[1-9]\d{5}','BIT100081 TSU100084')

['BIT', ' TSU', '']

import re
re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=1)

['BIT', ' TSU100084']

3.2.5 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。

import re
for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):
    if m:
        print(m.group(0))

100081
100084

3.2.6 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。

• repl: 替换匹配字符串的字符串；
• count: 匹配的最大替换次数。

import re
re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT100081 TSU100084')

'BIT:zipcode TSU:zipcode'

3.3 Re库的另一种等价用法

（1）函数式用法：一次性操作

rst = re.search(r'[1-9]\d{5}','BIT 100081')

（2）面向对象用法：编译后的多次操作

pat = re.compile(r'[1-9]\d{5}')
rst = pat.search('BIT 100081')

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。

regex = re.compile(r'[1-9]\d{5}')

3.4 Re库的match对象

Match对象是一次匹配的结果，包含匹配的很多信息。

import re
match = re.search(r'[1-9]\d{5}','BIT 100081')
if match:
    print(match.group(0))
print(type(match))

100081
<class 're.Match'>

Match对象的属性：

Match对象的方法：

import re
m = re.search(r'[1-9]\d{5}','BIT100081 TSU100084')
print("String:",m.string)
print("Pattern:",m.re)
print("Pos_ini:",m.pos)
print("Pos_end:",m.endpos)

print("Acq_string:",m.group(0))
print("Acq_ini:",m.start())
print("Acq_end:",m.end())
print("Acq_span:",m.span())

String: BIT100081 TSU100084
Pattern: re.compile('[1-9]\\d{5}')
Pos_ini: 0
Pos_end: 19
Acq_string: 100081
Acq_ini: 3
Acq_end: 9
Acq_span: (3, 9)

3.5 Re库的贪婪匹配与最小匹配

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

PYANBN

Re库默认采用贪婪匹配，即输出匹配最长的子串。

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

PYAN

最小匹配字符串：

只要长度输出可能不同的，都可以通过在操作符后面增加？变成最小匹配。

参考资料：

[1] 中国大学MOOC: Python网络爬虫与信息提取（https://www.icourse163.org/course/BIT-1001870001）