正则表达式 python(正则表达式在线生成器) 收藏 0

代码详解：Python正则表达式的终极使用指南

803216

处理文本数据的一个主要任务就是创建许多以文本为基础的特性。

人们可能想要在文本中找出特定格式的内容，比如找出存在于文本中的电子邮件，或者大型文本中的电话号码。

虽然想要实现上述功能听起来很繁琐，但是如果使用Python正则表达式模块，就可以使这一操作更加简单。

假设要在一篇特定的文章中找出标点符号的数量。以狄更斯的作品文本为例。

你通常会怎么做？

最简单的方法如下：

如果没有可支配的re模块，那就要用到上面的代码。但如果有re模块，则只需两行代码：

本文讨论的是最常用的正则表达式模式，以及一些经常使用的正则表达式函数。

什么是正则表达式？

简而言之，正则表达式(regex)用于探索给定字符串中的固定模式。

我们想找到的模式可以是任何东西。

可以创建类似于查找电子邮件或手机号码的模式。还可以创建查找以a开头、以z结尾的字符串的模式。

在上面的例子中:

我们想找出的模式是 r’[,;.,–]’。这个模式可找出想要的4个字符中的任何一个。regex101是一个用于测试模式的工具。将模式应用到目标字符串时，呈现出以下界面。

如图所示，可以在目标字符串中根据需要找到,;.,–。

每当需要测试正则表达式时，都会用到上面的工具。这比一次又一次运行python要快得多，调试也容易得多。

现在我们已经可以在目标字符串中找到这些模式，那么如何真正创建这些模式呢？

创建模式

使用正则表达式时，首先需要学习的是如何创建模式。

接下来将对一些最常用的模式进行逐一介绍。

可以想到最简单的模式是一个简单的字符串。

但这并不是很有用。为了帮助创建复杂的模式，正则表达式提供了特殊的字符/操作符。下面来逐个看看这些操作符。请等待gif加载。

1.[]操作符

这在第一个例子中使用过，可用于找到符合这些方括号中条件的一个字符。

[abc]-将查找文本中出现的所有a、b或c

[a-z]-将查找文本中出现的所有从a到z的字母

[a-z0–9A-Z]-将查找文本中出现的所有从A到Z的大写字母、从a到z的小写字母和从0到9的数字。

可以很容易地在Python中运行下列代码：

除了.findall，正则表达式还有很多其他功能，稍后会涉及到。

2.点算符

点运算符(.) 用于匹配除换行符以外的任何字符。

运算符最大的优点是，它们可以结合使用。

例如，想在字符串中找出以小d或大写D开头，以字母e结尾，包含6个字母的子字符串。

3.一些元序列

在使用正则表达式时，一些模式会经常被用到。因此正则表达式为这些模式创建了一些快捷方式。最常用的快捷方式如下：

\\w，匹配任何字母、数字或下划线。相当于[a-zA-Z0–9_]

\\W，匹配除字母、数字或下划线以外的任何内容。

\\d，匹配任何十进制数字。相当于[0–9]。

\\D，匹配除十进制数字以外的任何数字。

4.加号和星形运算符

点算符只是用于获取任何字符的单个实例。如果想找出更多实例要怎么做呢？

加号+用于表示最左边字符的一个或多个实例。

星号*用于表示最左边字符的0个或多个实例。

例如，如果想找出所有以d开头，以e结尾的子字符串，d和e之间可以没有也可以有多个字符。我们可以用：d\\w*e

如果想找出所有以d开头，以e结尾的子字符串，在d和e之间至少有一个字符，我们可以用：d\\w+e

还可以使用更为通用的方法：用{}

\\w{n} – 重复\\w 正好n次。

\\w{n,} – 重复\\w至少n次，或者更多次。

\\w{n1, n2} – 重复 \\w 至少n1次，但不超过n2次。

5.^插入符号和$美元符号。

^插入符号匹配字符串的开始，而＄美元符号则匹配字符串的结尾。

6.单词边界

这是一个重要的概念。

有没有注意到，在上面的例子中，总是匹配子字符串，而不是匹配单词？

如果想找出所有以d开头的单词呢？

可以使用d\\w*模式吗？下面用网络工具来试一试吧。

正则表达式函数

目前为止，只使用了 re包中的findall 函数，其实还有很多其他函数。下面来逐个介绍。

1. findall

上面已经使用了 findall。这是我最常使用的一个。下面来正式认识一下这个函数吧。

输入：模式和测试字符串

输出：字符串列表。

2.搜索

输入：模式和测试字符串

输出：首次匹配的位置对象。

可以使用下面编程获取该位置对象的数据：

3.替换

这个功能也很重要。当使用自然语言处理程序时，有时需要用X替换整数，或者可能需要编辑一些文件。任何文本编辑器中的查找和替换都可以做到。

输入：搜索模式、替换模式和目标字符串

输出：替换字符串

案例研究

正则表达式在许多需要验证的情况下都会用到。我们可能会在网站上看到类似这样的提示：“这不是有效的电子邮件地址”。虽然可以使用多个if和else条件来编写这样的提示，但正则表达式可能更具优势。

1.PAN编号

在美国，SSN（社会安全号码）是用于税务识别的号码，而在印度，税务识别用的则是 PAN号码。PAN的基本验证标准是：上面所有的字母都必须大写，字符的顺序如下:

<char><char><char><char><char><digit><digit><digit><digit><char>

那么问题是：

“ABcDE1234L”是有效的PAN号码吗？

如果没有正则表达式，该如何回答这个问题呢？可能会编写一个for循环，并进行遍历搜索。但如果用正则表达式，那就像下面这样简单：

2.查找域名

有时我们必须从一个庞大的文本文档中找出电话号码、电子邮件地址或域名等。

例如，假设有以下文本：

需要从上面文本中找出这里所有的域名—— askoxford.com;bnsf.com;hydrogencarsnow.com;mrvc.indianrail.gov.in;web.archive.org

该怎么做？

这里用到了or运算符，match返回元组，保留()里的模式部分。

3.查找电子邮件地址：

下面的正则表达式用于在长文本中查找电子邮件地址。

match=re.findall(r\'([\\w0-9-._]+@[\\w0-9-.]+[\\w0-9]{2,3})\’,string)

这些都是高级示例，提供的信息已经足够帮你理解这些示例了。

结论

虽然正则表达式看起来令人生畏，但它在数据操作、创建特性和寻找模式方面具有高度的灵活性。

留言 点赞 关注

我们一起分享AI学习与发展的干货

编译组：殷睿宣、李林虹

相关链接：

https://towardsdatascience.com/the-ultimate-guide-to-using-the-python-regex-module-69aad9e9ba56

如需转载，请后台留言，遵守转载规范

建议收藏！Python 正则表达式详解

正则表达式是对字符串提取的一套规则，我们把这个规则用正则里面的特定语法表达出来，去匹配满足这个规则的字符串。正则表达式具有通用型，不仅python里面可以用，其他的语言也一样适用。

python中re模块提供了正则表达式的功能，常用的有四个方法(match、search、findall)都可以用于匹配字符串

match

re.match()必须从字符串开头匹配！match方法尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。主要参数如下：

例子

从例子中我们可以看出，re.match()方法返回一个匹配的对象，而不是匹配的内容。如果需要返回内容则需要调用group()。通过调用span()可以获得匹配结果的位置。而如果从起始位置开始没有匹配成功，即便其他部分包含需要匹配的内容，re.match()也会返回None。

以下字符，都匹配单个字符数据。且开头（从字符串0位置开始）没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none

. 匹配任意一个字符

使用几个点号就代表几个字符

\\d 匹配数字

一个\\d代表一个数字。开头没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none

\\D 匹配非数字

开头没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none

\\s 匹配特殊字符，如空白，空格，tab等

\\S 匹配非空白

\\w 匹配单词、字符，如大小写字母，数字，_ 下划线

\\W 匹配非单词字符

[ ] 匹配[ ]中列举的字符

只允许出现[ ]中列举的字符

[^2345] 不匹配2345中的任意一个

[a-z3-5] 匹配a-z或者3-5中的字符

像上面写的那些都是匹配单个字符，如果我们要匹配多个字符的话，只能重复写匹配符。这样显然是不人性化的，所以我们还需要学习表达数量的字符

* 出现0次或无数次

+ 至少出现一次

? 1次或则0次

{m}指定出现m次

{m,} 至少出现m次

{m,n} 指定从m-n次的范围

$ 匹配结尾字符

定义整个字符串必须以指定字符串结尾

^ 匹配开头字符

定义整个字符串必须以指定字符开头

\\b 匹配一个单词的边界

\\b：表示字母数字与非字母数字的边界，非字母数字与字母数字的边界。即下面ve的右边不能有字母和数字

\\B 匹配非单词边界

| 匹配左右任意一个表达式

只要|两边任意一个表达式符合要求就行

(ab) 将括号中字符作为一个分组

()中的内容会作为一个元组字符装在元组中

和match差不多用法，从字符串中进行搜索

从字面意思上就可以看到，findall是寻找所有能匹配到的字符，并以列表的方式返回

findall中另外一个属性re.S

在字符串a中，包含换行符\\n，在这种情况下:

如果不使用re.S参数，则只在每一行内进行匹配，如果一行没有，就换下一行重新开始。而使用re.S参数以后，正则表达式会将这个字符串作为一个整体，在整体中进行匹配。

如下要寻找test.*123的数据，因为test和123在不同的行，如果没加re.s的话，他会在每一个进行匹配查找而不是将字符串作为一个整体进行查找

查找字符串中所有相匹配的数据进行替换

sub(要替换的数据，替换成什么，要替换的数据所在的数据)

对字符串进行分割，并返回一个列表

python里的数量词默认是贪婪的，总是尝试尽可能的匹配更多的字符。python中使用?号关闭贪婪模式

如

匹配手机号

要求，手机号为11位，必须以1开头，且第二个数字为35678其种一个

提取网页源码中所有的文字

如下，将其中的所有文字提取出来，去掉标签。思路就是运用sub方法，将标签替换为空

要提取出来最重要的就是关闭贪婪模式，

如果关闭贪婪模式，<xx>中的内容会尽可能多的匹配，只要能够满足后面的>就行，然后<>xxx<>中xxx内容也替换掉了

提取图片地址

原文链接：https://blog.csdn.net/qq_44159028/article/details/120575621

本文作者及来源:Renderbus瑞云渲染农场https://www.renderbus.com