V1.0 |
python正则表达式由浅入深
如果大家在网上搜索Python 正则表达式,你将会看到大量的文章会这样写代码,但是在Python里面,在大多数情况下真的不需要使用re.compile!数据分析工作中很多任务是跟文本处理相关,比如从文本中提取客户的信息,从文本中提取时间等等都是比较常见的操作。 虽然Python处理字符串的方法很多,而且流行的pandas库也提供了大量的向量化字符串方法,但是一旦涉及要经过较为复杂的数据匹配才能进行的字符操作,这些方法就显得非常的乏力。下面就由我们和大家讲一讲python正则表达式。
幸运的是Python提供了re模块,可以实现正则表达式的操作。re模块主要通过六大方法来对字符串进行处理,包括:match()、search()、findall()、split()、sub()。 这些方法涉及到字符串的匹配与替换等操作,在接下来的4篇连载文章里,我们不单只会讲解这4种方法,还会把元字符、行定位符、限定符、字符类、排除字符、选择字符、转义字符、分组等正则表达式最常用知识点贯穿起来。 接下来的系列文章将会为大家初步搭建较为完整的Python正则表达式知识体系,如果你已经学习完Python编程基础和数据清洗的课程知识,该系列文章将会让你对使用Python正则表达式达到一学就会,一用就懂的技能熟悉程度,实现真正的融会贯通的目的。 一、re.match方法 我们首先看re模块中较为简单的match()方法。 match 的作用是利用 Pattern 实例,从字符串左侧开始匹配,如果匹配到就返回一个 Match 实例,如果第一个字符不符合条件,就返回 None。其语法格式如下: re.match(pattern,string,[flags]) · pattern:表示模式字符串,由要匹配的正则表达式转换而来。 · string:表示要匹配的字符串。 · flags:可选参数,表示标志位,这个参数我们后续再讲。 模式字符串是什么意思呢?先看以下例子: pattern='企业名称' message='企业名称:CDA数据科学研究院' match = re.match(pattern, message) match Out: 这时我们发现,re.match()方法返回了一个re.match对象,但这对象里面的信息什么意思呢? 在上面的例子中,我们的模式字符串没有使用任何其他特殊字符,只是"企业名称"。 而字符串message前面几个字符串刚好是"企业名称",因此返回来的re.match对象可以解读出以下信息: · "企业名字"这几个字符串能在message中索引区间span(0,4)中匹配上 · 匹配结果就是match='企业名称' 另外,re.match对象还可以通过调用.start()方法以及.end()来获取匹配值的开始和结束位置: match.start() match.end() 也可以通过.span()方法获得记载匹配字符所处位置索引的元组: match.span() Out: (0, 4) 在message中被匹配上的字符串可以通过.group()方法获得: match.group() Out:'企业名称' 被匹配的字符串可以通过re.match对象的string属性来调用: match.string Out:'企业名称:CDA数据科学研究院' 二、re.search方法 如果说,要匹配字符串并非出现在message的开头,而是中间,match()方法就没办法匹配上了,这时候可以使用re.search()方法。 比如我们想要匹配message中的"CDA数据科学院研究院",我们将pattern指向对象改成"企业名称",调用re.search()方法即可: pattern='CDA数据科学研究院' message='企业名称:CDA数据科学研究院' search = re.search(pattern, message) search Out: 值得注意的是,re.search()方法结果返回的也是re.match对象,因此前面提及到的该类对象的方法和属性同样可以调用。 search.start() search.end() search.span() search.group() search.string Out:5 15 (5, 15) 'CDA数据科学研究院' '企业名称:CDA数据科学研究院' http://www.xinnet 三、元字符好,我们继续思考,如果我们想要将message中"CDA"后面的一个字符也匹配上,pattern该如何写? pattern='CDA.' message='企业名称:CDA数据科学研究院n邮箱:1918560461@qq.com' search = re.search(pattern, message) search Out: 通过上面的例子我们会发现,message中字符串"CDA"后面的"数"字也匹配上了,这只需要在设置pattern的时候,在字符串"CDA"后面多加一个圆点,而这圆点的作用就是可以帮你匹配除了换行符以外的任意字符。 除此之外,我们还可以把圆点换成"w",最终效果也是一样的: pattern='CDAw' message='企业名称:CDA数据科学研究院n邮箱:1918560461@qq.com' search = re.search(pattern, message) search Out: "w"的作用就是可以帮你匹配字符、数字、下划线或者是汉字。 而这些符号叫做元字符。 除了圆点和"w"以外,还有以下元字符:
pattern=r'bCDA.{5}' # 在元字符之前添加r message='企业名称:经管之家CDA数据科学研究院 CDA数据分析师n邮箱:1918560461@qq.com' search = re.search(pattern, message) print(search) Out: 在上面的例子中,我们还需要注意的就是,由于模式字符串中带有元字符"b",而"b"会匹配分界符(空格,标点符号或换行符)。 因此messgae中左边起第一个"CDA"字符串前面由于没有分界符,最终匹配的是第二个"CDA"字符串。 那么上面模式字符串中出现的花括号"{}"是什么意思呢?这就是我们接下来要讲解的限定符。 四、限定符 前面学习了元字符,我们配合re.match()方法和re.search()方法就可以进行非常灵活的字符匹配。 但是只有元字符还有很多地方无法解决,比如,我们希望匹配字符串'企业名称:CDA数据科学研究院n邮箱:1918560461@qq.com'中的邮箱,该怎么办? 这个时候,我们就可以在模式字符串中添加限定符: pattern='邮箱:.{17}' message='经管之家CDA数据科学研究院n邮箱:1918560461@qq.com' search = re.search(pattern, message) print(search) Out: 上面的patrern参数设置的原理是:既然是要匹配出message中的邮箱信息,而邮箱信息是在messaage中字符串"邮箱:"的后面,如果邮箱信息的长度为1,pattern可以写成"邮箱:.". 但是该邮箱信息长度为17个字符,也就是说,要匹配message中"邮箱:"后面的17个字符,这时在上面的pattern后面添加限定符"{17}"就可以匹配17个字符(不包括换行符)。 但是如果邮箱信息长度不是为17,那该怎么办?由于邮件信息就是在message中字符串"邮箱:"的后面一直到末端,因此我们可以这样写: pattern='邮箱:.*' message='经管之家CDA数据科学研究院n邮箱:1918560461@qq.com' search = re.search(pattern, message) print(search) Out: 除了上面提及的"{n}"和"*"以外,还有那些常用的限定符呢? python正则表达式 python正则表达式 这里需要给大家一个提醒的是,由于元字符"."是匹配除了换行符以外的任意字符,因此,即使我们的message中,邮箱信息后面如果有换行,上面的方法依然可以匹配出邮箱信息,比如: pattern='邮箱:.*' message='企业名称:CDA数据科学研究院n邮箱:1918560461@qq.comn地址:北京市海淀区厂洼街3号2号楼2-3层n网址:www.cda.cn' search = re.search(pattern, message) print(search) Out: 但是,如果上面的message中"地址"两个字的前面没有换行符"n"呢?该如何匹配出邮箱信息? 我们只需要在pattern中星号的后面加上邮箱地址最后的字符"com"作为匹配的结束即可: pattern='邮箱:.*com' message='企业名称:CDA数据科学研究院n邮箱:1918560461@qq.com地址:北京市海淀区厂洼街3号2号楼2-3层n网址:www.cda.cn' search = re.search(pattern, message) print(search) Out: 正则表达式可以提高复杂文本分析的效率,本课程介绍了Python正则表达式基本概念、为什么使用正则表达式、正则语法、re模块及相关方法使用,如何使用正则表达式处理文件,让您对python正则全面了解。小伙伴们要想获得更多python正则表达式的内容,请关注我们!
更多相关连接
· python正则表达式由浅入深
|