在做文本处理的时候,经常会使用正则表达式,每次使用的时候,都要使用搜索引擎,怎么样才能熟练掌握,提高自己开发的效率,故决定 把正则表达式梳理一下,方便自己掌握
1.split
如果是单个分隔符,可以直接使用字符串的
s = "hello,csdn"
print(s.split(","))
多个分隔符使用正则表达式
import re
# 中文分句
doc = "厉害了!经参报道,近期,包括广东、北京、上海等多地都在密集出台新一轮促消费政策。业内指出,从这一轮的促消费政策来看,一个明显的特点是打造国际消费中心城市、步行街升级版、培育夜经济等成为多地的抓手,消费升级有了新路径、新平台。预计政策密集落地将为消费注入强心剂,从国家和地方层面将会有更多政策利好落地……不知道能不能超额完成?"
sents = re.split(r'。|?|!|;|……|\?|!|;',doc)
2.sub
精准替换 直接使用 str.replace()
模糊替换,需要使用 re.sub()
def html_clean(text):
"""
清理文本中的 html 格式
"""
#替换  ;
text = text.replace('& nbsp ;','')
#替换 url
text = re.sub(r'(https?|ftp|file)://[-A-Za-z0-9+&@#/%?=~_|!:,.;]+[-A-Za-z0-9+&@#/%=~_|]', '', text)
# 替换 html标签
text = re.sub(r'<[^>]+>', '', text)
return text