其他
正确的正则表达式学习方法是放弃抵抗^_^
一、re库常用方法
| re库常用函数 | 作用 |
|---|---|
re.findall(pattern, string) | 根据pattern返回匹配结果（列表） |
re.split(pattern, string) | 使用pattern分割string，返回列表 |
re.sub(pattern, repl, string) | 使用repl替换string中的pattern |
1.1 re.findall(pattern, string)
找出文本中出现的年份
import re
pattern = '\d{4}'
string = """Python是一门面向对象的编程语言，诞生于1991年。\
目前以广泛应用在网站开发、游戏软件开发、数据采集、机器学习等多个领域。\
一般情况下Python是Java的20%，所以说人生苦短，我用Python。"""
re.findall(pattern, string)
Run
['1991']
1.2 re.split(pattern, string)
断句
pattern = '[。;]'
string = """Python是一门面向对象的编程语言，诞生于1991年;\
目前以广泛应用在网站开发、游戏软件开发、数据采集、机器学习等多个领域。\
一般情况下Python是Java的20%，所以说人生苦短，我用Python。"""
re.split(pattern, string)
Run
['Python是一门面向对象的编程语言，诞生于1991年',
'目前以广泛应用在网站开发、游戏软件开发、数据采集、机器学习等多个领域',
'一般情况下Python是Java的20%，所以说人生苦短，我用Python',
'']
1.3 re.sub(pattern, repl, string)
将数字替换为NUM
pattern = '\d+'
repl = 'NUM'
string = """Python是一门面向对象的编程语言，诞生于1991年。\
一般情况下Python是Java的20%，所以说人生苦短，我用Python。"""
re.sub(pattern, repl, string)
Run
'Python是一门面向对象的编程语言，诞生于NUM年。一般情况下Python是Java的NUM%，所以说人生苦短，我用Python。'
从上面我们可以看到通过re库可以做很多精细巧妙的操作。re库并不难，难的是正则表达式的设计，下面带你认识一下正则表达式中的各种符号
二、正则表达式中的符号
按照符号的功能，我将其分为三类，一般情况下表达式都是由这三种符号组成的。
2.1 正则字符
| 正则符号 | 描述 | 匹配自己时 |
|---|---|---|
| \ | 转义字符。例如， 'n' 匹配字符 'n'。 | \\ |
( ) | 标记一个子表达式的开始和结束位置。 | \( \) |
| . | 匹配除换行符 \n 之外的任何单字符。 | \. |
| | | |左右两侧均可参与匹配 | \| |
| \d | 匹配字符串中的单个数字 | |
| a-zA-Z | 匹配全部英文字符 | |
| 0-9 | 匹配全部数字 | |
\s | 匹配字符串中的\n,\t,空格 | |
[] | 中括号内任意正则符号均可参与匹配 | \[ \] |
| ^ | 当在方括号表达式中使用，^对其后的正则表达式进行了反义表达。 | \^ |
2.2 限定字符
| 正则符号 | 描述 | 匹配自己时 |
|---|---|---|
| * | 匹配前面的子表达式零次或多次。 | \* |
| ? | 匹配前面的子表达式零次或一次 | \? |
| + | 匹配前面的子表达式一次或多次。 | \+ |
| {m} | n 是一个非负整数。匹配确定的 m 次。 | |
| {m,} | m 是一个非负整数。至少匹配m 次。 | |
| {m, n} | m 和 n 均为非负整数，其中m <= n。最少匹配 m 次且最多匹配 n 次。 |
2.3 定位字符
| 正则符号 | 描述 | 匹配自己时 |
|---|---|---|
| ^ | 匹配输入字符串的开始位置。 | \^ |
| $ | 匹配输入字符串的结尾位置 | \$ |
| \b | 匹配一个单词边界，即字与空格间的位置 | |
| \B | 非单词边界匹配 |
感悟
正则符号和正则表达式晦涩难懂，即使上面的三类符号背的滚瓜烂熟，可能对解决问题暂时帮助不大。不如先放弃抵抗，我们再来看几个例子^_^幻想自己掌握了
三、案例
3.1 . 统一表达
将指代同一个主题的不同表达词语统一为同一个词
text = '中国铁路工程集团有限公司成立于1950年3月，总部位于北京。目前中国中铁已经发展成中国和亚洲最大的多功能综合型建设集团。'
pattern = '中国铁路工程集团有限公司|中国中铁'
repl = '中铁'
re.sub(pattern, repl, text)
Run
'中铁成立于1950年3月，总部位于北京。目前中铁已经发展成中国和亚洲最大的多功能综合型建设集团。'
3.2 分割文本数据的章节
text = """ 第一篇 Python简介 第二篇 Python入门语法 第三篇 Python网络爬虫 第四篇 文本数据编码 第五篇 数据分析 第六篇 可视化"""
pattern = '第[一二三四五六七八九十零百]+篇'
re.split(pattern, text)
Run
[' ',
' Python简介 ',
' Python入门语法 ',
' Python网络爬虫 ',
' 文本数据编码 ',
' 数据分析 ',
' 可视化']
3.3 抽取出数字
比如日期数据
text = '中国铁路工程集团有限公司成立于1950年3月，总部位于北京。目前中国中铁已经发展成中国和亚洲最大的多功能综合型建设集团。'
pattern = '(\d{4})年(\d{1,2})月'
re.findall(pattern, text)
Run
[('1950', '3')]
四、好东西留在最后
在你放弃治疗时，希望来了^_^
搜索引擎检索到自己需要的正则表达式 最简单最好用表达式 (.*?)在正则表达式测试网站 http://c.runoob.com/front-end/854验证自己的正则表达式
4.1 检索找到自己需要的正则表达式
比如我只需要中文，其余字符统统不要。
我会在百度搜中文正则表达式
发现很多网页中网友提到[\u4e00-\u9fa5]+，于是
import re
pattern = '[\u4e00-\u9fa5]+'
string = """Python是一门面向对象的编程语言，诞生于1991年。\
目前以广泛应用在网站开发、游戏软件开发、数据采集、机器学习等多个领域。\
一般情况下Python是Java的20%，所以说人生苦短，我用Python。"""
re.findall(pattern, string)
Run
['是一门面向对象的编程语言',
'诞生于',
'年',
'目前以广泛应用在网站开发',
'游戏软件开发',
'数据采集',
'机器学习等多个领域',
'一般情况下',
'是',
'的',
'所以说人生苦短',
'我用']
4.2 最简单最好用表达式(.*?)
pattern设计步骤：
正则符号组成正则表达式，用于匹配需要的字符。
找到重复的一致的规律 复制粘贴到pattern中 扣掉想要的数据 替换为 (.*?)或者相应的正则符号表达式*
比如现在需要快速挖掘出intros中的姓名、籍贯和年龄
import re
pattern = '我叫(.*?)，来自(.*?)，今年(.*?)岁。'
intros = ['我叫张三，来自山东，今年25岁。',
'我叫李四，来自河北，今年28岁。',
'我叫王五，来自河南，今年24岁。']
for intro in intros:
info = re.findall(pattern, intro)
print(info)
Run
[('张三', '山东', '25')]
[('李四', '河北', '28')]
[('王五', '河南', '24')]
特别需要注意的是pattern中的(.*?)左右两侧必须有字符，否则匹配失败
import re
pattern = '(.*?)，来自(.*?)，今年(.*?)'
intros = ['我叫张三，来自山东，今年25岁。',
'我叫李四，来自河北，今年28岁。',
'我叫王五，来自河南，今年24岁。']
for intro in intros:
info = re.findall(pattern, intro)
print(info)
Run
[('我叫张三', '山东', '')]
[('我叫李四', '河北', '')]
[('我叫王五', '河南', '')]
由于
'(.*?)，来自(.*?)，今年(.*?)'
中最左侧和最右侧的(.*?)没有被其他字符左右包裹，导致匹配姓名和年龄失败。
万水千山总是情，给我点好看可好❤
公众号后台回复关键词 正则表达式re, 获得本文代码示例