python 字符串处理,或者NLP项目预处理经常都会用到正则表达式。它是用来描述字符串模式的一种工具。在正常的表达或者特定的应用场景中,字符串都有一定的格式,否则人也没有办法理解,不会产生实际作用。
例如email我们可以用这个表达式来表示:'[\w.]+@\w+([.]\w+)+'
在Python的正则表达式中 \w 表示一切合法的字母和数字,+表示重复出现1次以上。
实际操作中Python提供了re这个模块用来处理正则表达式,其中
re.match 表示整个字符串是否满足一个pattern
re.search 是从字符串中找出满足pattern的子串,从左到右依次搜索
这两个函数返回的是一个match对象,要调用match.group() 才能得到字符串格式的结果。
re.findall 是从左到右依次找出所有满足pattern的子串。返回的是一个字符串列表。