正则表达式在很多任务中都担任重要的角色,例如网络爬虫中我们需要筛选出相应的信息,在nlp中我们需要结构化数据,在数据挖掘中我们需要清洗脏数据,这些任务都会用到正则表达式。本文就简单的介绍正则表达式的基本操作,下一篇博客,我会自己维护一个正则表达式,将自己接触到的一些正则抛出来,供自己和有需要者参考。
下面我会介绍,python中正则表达式的一些操作,主要是match函数、search函数、sub函数、complie函数、findall函数。
一、re.match
re.match 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。
re.match(pattern, string, flags)
- pattern:匹配的正则表达式
- string:要匹配的字符串
- flags:标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
- group(num=0): 匹配的整个表达式的字符串,group() 可一次输入多个组号,它将返回一个包含那些组所对应值的元组。
- groups():返回一个包含所有小组字符串的元组,从 1 到 所含的小组号。
import re
line = "Cats are smarter than dogs"
# re.I 使匹配对大小写不敏感
# re.M 多行匹配
matchObj = re.match(r'(.*) are (.*?) .*', line, re.M|re.I)
# group()返回全部的字符串 Cats are smarter than dogs
# group(1)返回groups()元组的第一个元素
# group(2)返回groups()元组的第二个元素
# gropus()返回的是一个元组 ('Cats', 'smarter')
if matchObj:
print("matchObj.group() : ", matchObj.group())
print("matchObj.group(1) : ", matchObj.group(1))
print("matchObj.group(2) : ", matchObj.group(2))
print("matchObj.groups() : ", matchObj.groups())
else:
print("No match!!")
二、re.research
re.search 扫描整个字符串并返回第一个成功的匹配。
re.search(pattern, string, flags=0)
- pattern:匹配的正则表达式
- string:要匹配的字符串
- flags:标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等
re.search和re.match的区别在于,match是从第一个字符开始匹配,而search是匹配整个字符串直到找到符合的匹配。
import re
# None,因为com不在起始位置匹配
print(re.match('com', 'www.runoob.com'))
# (11, 14),因为是遍历整个字符串进行匹配
print(re.search('com', 'www.runoob.com').span())
三、re.sub
re.sub用于替换字符串中的匹配项。
re.sub(pattern, repl, string, count=0, flags=0)
- pattern:正则中的模式字符串
- repl:替换的字符串,也可为一个函数
- string : 要被查找替换的原始字符串
- count : 模式匹配后替换的最大次数,默认 0 表示替换所有的匹配
- flags:标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等
import re
phone = "2004-959-559"
# 删除非数字(-)的字符串
num = re.sub('-', "", phone)
print("电话号码是 : ", num)
四、re.compile
re.compile用于编译正则表达式,生成一个正则表达式( Pattern )对象,供 match() 和 search() 这两个函数使用。
re.compile(pattern, flags)
- pattern:匹配的正则表达式
- flags:标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等
import re
pattern = re.compile(r'com', re.I)
a = pattern.match('www.runoob.com')
print(a)
b = pattern.search('www.runoob.com').span()
print(b)
五、re.findall
re.findall在字符串中找到正则表达式所匹配的所有子串,并返回一个列表,如果没有找到匹配的,则返回空列表。需要注意的是re.search和re.match只匹配一次,而re.findall匹配所有。
re.findall(string, pos, endpos)
- string:待匹配的字符串
- pos:可选参数,指定字符串的起始位置,默认为 0
- endpos:可选参数,指定字符串的结束位置,默认为字符串的长度
import re
pattern = re.compile(r'\d+') # 查找数字
result = pattern.findall('run88oob123google456', 0, 10)
print(result)
更多信息可参考:链接