Python正则表达式再讲

Python正则表达式再讲

编程时对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址，虽然可以编程提取@前后的子串，再分别判断是否是单词和域名，但这样做不但麻烦，而且代码难以复用。正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

正则表达式（Regular Expression ，简写为 Regex、RE），是用于定义某种特定搜索模式（pattern）的字符组合。正则表达式可用于匹配、查找和替换文本中的字符，进行输入数据的验证，查找英文单词的拼写错误等。

本文是对“Python正则表达式”https://blog.csdn.net/cnds123/article/details/118808861 一文的补充。特别说明，正则表达式非常强大，也比较繁杂，或者说它的语法很难让人们阅读和记忆，要讲清正则的所有内容，用一两篇文章是不可能的，要用好正则需要练习与实践。学习正则表达式需要时间和实践，并且切勿试图一次掌握所有的细节。逐渐积累经验，从简单到复杂进行学习，迭代地提高自己的正则表达式技能。

虽然正则表达式的基本概念在不同的语言中是相似的，但具体的语法和用法可能会有细微差异。如果你熟悉其他语言的正则表达式，使用Python时需要注意这些差异——了解并适应Python的特定语法和函数。如：

语法：Python中的正则表达式语法基于Perl风格，而其他语言可能使用不同的语法风格。例如，C#和Java使用的是类似于JavaScript的正则表达式语法。

字符串表示：在Python中，正则表达式模式需要用字符串表示，并且通常会使用原始字符串（以字母'r'开头）来处理转义字符，这意味着反斜杠字符（\）不会被转义。这使得编写正则表达式更加简洁明了。

在Python中，我们需要先导入re模块——内置的正则表达式模块，才能使用正则表达式功能。而在其他语言中，正则表达式可能是内置的或者属于标准库。

匹配函数：Python中，我们使用re模块提供的match()、search()、findall()等函数来执行正则表达式匹配操作。而在其他语言中，可能会使用不同的函数名称或方法。

Python正则表达式中有一些基本概念需要了解，包括：

字面字符（Literal Character）：表示普通的字符，按照字面匹配。例如使用正则表达式a可以匹配字符串中的字母"a"。

元字符（Metacharacters）：具有特殊功能和含义的字符。常用的元字符包括 . ^ $ * + ? { } [ ] \ | ( )，它们用于实现模式匹配、数量限定等功能。

字符类（Character Class）也称为字符集合：用方括号 [ ] 包围的一组字符，表示在该位置匹配其中的任意一个字符。例如 [aeiou] 表示匹配任意一个元音字母；[abc]可以匹配字符"a"、"b"或"c"。

量词（Quantifiers）：用于指定匹配前面元素的数量。常见的量词包括 *（零次或多次匹配）、+（一次或多次匹配）、?（零次或一次匹配）、{n}（恰好匹配n次）等。例如使用正则表达式a*可以匹配零个或多个字符"a"。

边界匹配（Anchors、锚点）：用于匹配字符串的边界位置。常用的边界匹配元字符有 ^（匹配字符串开始位置）和 $（匹配字符串结束位置）。

分组（Grouping）：使用圆括号 () 将多个元素组合到一个逻辑单元中，同时可以通过分组捕获来提取匹配的内容。

re.compile()函数是Python中用于编译正则表达式模式的。它的语法如下：

re.compile(pattern, flags=0)

参数含义：

pattern: 需要编译的正则表达式模式。

flags（可选）: 可以指定一些标志，例如re.IGNORECASE表示忽略大小写。

re.compile()函数将传入的正则表达式模式编译为一个正则对象，可以用于进行匹配操作。

re.findall()函数的语法如下：

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

参数说明：

pattern: 正则表达式模式，用于匹配字符串。

string: 需要进行匹配的字符串。

flags (可选): 用于指定正则表达式的匹配模式。

返回值：一个包含所有匹配的非重叠子字符串的列表。

例、查找给定字符串中所有匹配的模式：

import re
pattern = r"apple"
text = "I have an apple, but my friend has two apples."
matches = re.findall(pattern, text)
print(matches)  # 输出：['apple', 'apples']

又如，仅提取给定文本中的英语单词：

import re
text = "Hello, World! How are you?  你好，世界！ "
pattern = r"\b[a-zA-Z]+\b"  # 匹配英文单词的正则表达式模式
result = re.findall(pattern, text)
print(result)  # 输出：['Hello', 'World', 'How', 'are', 'you']

re.match()函数用于尝试从字符串的起始位置匹配一个模式。其语法如下：

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

其中，参数说明如下：

pattern：要匹配的正则表达式模式。

string：要进行匹配的字符串。

flags：可选参数，用于控制正则表达式的匹配方式。

re.match()函数会尝试从字符串的起始位置开始匹配，如果成功匹配到了模式，则返回一个匹配对象，否则返回None。

匹配对象具有一些方法可以获取匹配结果：

group(): 返回整个匹配到的内容。

start(): 返回匹配的起始位置。

end(): 返回匹配的结束位置。

span(): 返回匹配的起始和结束位置的元组。

例：

import re
pattern = r'Hello'
string = 'Hello, World!'
result = re.match(pattern, string)
if result:
    print('匹配成功')
    print('匹配到的内容:', result.group())
    print('起始位置:', result.start())
    print('结束位置:', result.end())
    print('起始和结束位置的元组:', result.span())
else:
    print('匹配失败')

输出结果为：

匹配成功
匹配到的内容: Hello
起始位置: 0
结束位置: 5
起始和结束位置的元组: (0, 5)

本文开头提到的判断一个字符串是否是合法的Email地址，源码如下：

import re
def is_valid_email(email):
    pattern = r'\b\w+@\w+\.\w+\b'  # Email地址的正则表达式模式
    if re.match(pattern, email):
        return True
    else:
        return False

# 测试示例
print(is_valid_email('12345678@cqq.com'))  # 输出：True
print(is_valid_email('john@example.com'))  # 输出：True      
print(is_valid_email('example.com'))       # 输出：False

在上面的代码中，我们使用了正则表达式\b\w+@\w+\.\w+\b，其中：

\b 表示单词边界，确保电子邮件地址前面没有其他字符。

\w+ 表示匹配一个或多个字母、数字或下划线字符。

@ 表示匹配一个 @ 符号。

\w+ 表示匹配一个或多个字母、数字或下划线字符。

\. 表示匹配一个点号。

\w+ 表示匹配一个或多个字母、数字或下划线字符。

\b 表示单词边界，确保电子邮件地址后面没有其他字符。

假设我们有一个包含电子邮件地址的字符串列表，我们想要从中提取所有的邮件地址，可以这样：

import re
text = "要联系我，请发送电子邮件 john@example.com or 12345678@cqq.com"
emails = re.findall(r'\b\w+@\w+\.\w+\b', text)
emails2 = re.findall(r'[a-zA-Z0-9_-]+@[a-zA-Z0-9_-]+(?:\.[a-zA-Z0-9_-]+)', text)
print(emails)  #['john@example.com', '12345678@cqq.com']
print(emails2)  #['john@example.com', '12345678@cqq.com']

上述代码中，用的邮箱的正则表达式模式采用了两种方式。顺便提示 \w 匹配任何字母与数字字符，等价于字符类 [a-zA-Z0-9_] 。

Python正则表达式提供了一种强大的工具，可以在文本处理、模式匹配、表单验证和数据清洗【注】等场景中发挥作用，帮助我们快速、灵活地处理和操作字符串数据。

【注：数据清洗是数据分析中非常重要的步骤，数据清洗是指对原始数据进行处理和转换，从原始数据中去除重复值、无效字符或格式，使其符合分析或应用的要求。下面是一些常见的数据清洗任务：

去除无效字符或格式：使用正则表达式可以去除文本中的特殊字符、HTML标签、空白字符等无效内容，保留有效的文本部分。例如，清洗网页文本时，可以使用正则表达式去除其中的HTML标签。

缺失值处理：通过正则表达式，可以查找并处理包含缺失值或占位符的数据。例如，将缺失的数据替换为特定的值，或根据其他数据进行填充。

格式统一和转换：使用正则表达式可以将数据的格式统一，以便进一步处理或比较。例如，将不同日期格式的数据转换为统一的日期格式，或将数字字符串转换为特定的数值类型。

数据筛选和提取：通过正则表达式，可以根据设定的模式，筛选出满足条件的数据子集，并提取其中的特定信息。例如，从文本数据中提取URL、邮箱地址、电话号码等信息。

错误数据修正：通过正则表达式匹配和替换错误的数据，修正或改正数据中的错误。例如，修复日期格式错误、修正拼写错误等。】